Umístění kapacitního závodu – případová studie P3

Supply Chain Analytics v Pythonu

Aaren Stubberfield

Supply Chain Analytics Mgr.

Model umístění kapacitního závodu

Modelování

Výroba v regionálních závodech
- Dvě velikosti závodů (nízká / vysoká kapacita)
Export produkce do jiných regionů
Otevírání / zavírání výrobních závodů

obrázek zeměkoule s regionální výrobou

Očekávané rozsahy

Jaké hodnoty rozhodovacích proměnných lze očekávat?

Objemy výroby:

Vysoká výroba v regionech s nízkými variabilními náklady na výrobu a přepravu
Maximální výroba v regionech s relativně nízkými fixními náklady

Otevřené / zavřené výrobní závody:

Závod s vysokou kapacitou v regionech s vysokou poptávkou
Závod s vysokou kapacitou v regionech s relativně nízkými fixními náklady

Citlivostní analýza omezení

Celková výroba = Celková poptávka:

shadow prices = Změna celkových nákladů při nárůstu poptávky v regionu
slack = Měla by být nulová

Celková výroba ≤ Celková výrobní kapacita:

shadow prices = Změna celkových nákladů při nárůstu výrobní kapacity
slack = Regiony s přebytečnou výrobní kapacitou

from pulp import *
import pandas as pd

# Initialize Class
model = 
    LpProblem("Capacitated Plant Location Model",
               LpMinimize)

# Define Decision Variables
loc = ['A', 'B', 'C', 'D', 'E']
size = ['Low_Cap','High_Cap']
x = LpVariable.dicts(
                "production_", 
                [(i,j) for i in loc for j in loc],
                 lowBound=0, upBound=None, 
                 cat='Continuous')

y = LpVariable.dicts(
               "plant_", 
               [(i,s) for s in size for i in loc], 
                cat='Binary')
# Define Objective Function
model += 
  (lpSum([fix_cost.loc[i,s]*y[(i,s)] 
          for s in size for i in loc])
 + lpSum([var_cost.loc[i,j]*x[(i,j)] 
          for i in loc for j in loc]))

# Define the Constraints
for j in loc: model += 
  lpSum([x[(i, j)] 
        for i in loc]) == demand.loc[j,'Dmd']
for i in loc: model += 
  lpSum([x[(i, j)] for j in loc]) <= lpSum(
             [cap.loc[i,s]*y[(i,s)]for s in size])

# Solve
model.solve()

# Print Decision Variables and Objective Value
print(LpStatus[model.status])
o = [{'prod':"{} to {}".format(i,j), 'quant':x[(i,j)].varValue} 
     for i in loc for j in loc]
print(pd.DataFrame(o))
o = [{'loc':i, 'lc':y[(i,size[0])].varValue, 'hc':y[(i,size[1])].varValue}
     for i in loc]
print(pd.DataFrame(o))
print("Objective = ", value(model.objective))

# Print Shadow Price and Slack
o = [{'name':name, 'shadow price':c.pi, 'slack': c.slack} 
     for name, c in model.constraints.items()]
print(pd.DataFrame(o))

Obchodní otázky

Typické otázky:

Jaké jsou očekávané náklady tohoto modelu dodavatelského řetězce?
Pokud v regionu vzroste poptávka, jaký zisk je třeba k pokrytí nákladů na výrobu a přepravu?
Které regiony mají stále výrobní kapacitu pro budoucí nárůst poptávky?

Shrnutí

Probráno:

Očekávané rozsahy rozhodovacích proměnných
Interpretace výstupu citlivostní analýzy (shadow prices a slack)
Kód pro řešení a výpis výsledků
Typické obchodní otázky

Výborně! Nyní jste na řadě

Supply Chain Analytics v Pythonu