Używanie lpSum

Analityka łańcucha dostaw w Pythonie

Aaren Stubberfield

Supply Chain Analytics Mgr.

Od prostego do złożonego

Prosty przykład piekarni

# Define Decision Variables
A = LpVariable('A', lowBound=0, cat='Integer')
B = LpVariable('B', lowBound=0, cat='Integer')

Bardziej złożony przykład piekarni

# Define Decision Variables
A = LpVariable('A', lowBound=0, cat='Integer')
B = LpVariable('B', lowBound=0, cat='Integer')
C = LpVariable('C', lowBound=0, cat='Integer')
D = LpVariable('D', lowBound=0, cat='Integer')
E = LpVariable('E', lowBound=0, cat='Integer')
F = LpVariable('F', lowBound=0, cat='Integer')

Od prostego do złożonego

Funkcja celu dla złożonego przykładu piekarni

# Define Objective Function
model += 20*A + 40*B + 33*C + 14*D + 6*E + 60*F

Potrzebna metoda skalowania

Funkcja z wieloma zmiennymi

Używanie lpSum()

lpSum(vector)

vector = Lista wyrażeń liniowych

Zatem ...

# Define Objective Function
model += 20*A + 40*B + 33*C + 14*D + 6*E + 60*F

Równoważne z ...

# Define Objective Function
var_list = [20*A, 40*B, 33*C, 14*D, 6*E, 60*F]
model += lpSum(var_list)

lpSum z list comprehension

# Define Objective Function
cake_types = ["A", "B", "C", "D", "E", "F"]
profit_by_cake = {"A":20, "B":40, "C":33, "D":14, "E":6, "F":60}
var_dict = {"A":A, "B":B, "C":C, "D":D, "E":E, "F":F}

model += lpSum([profit_by_cake[type] * var_dict[type] 
                for type in cake_types])

Podsumowanie

Potrzeba sumowania wielu zmiennych
lpSum()
Używane w list comprehension

Czas na ćwiczenia!

Analityka łańcucha dostaw w Pythonie