Rozwiązywanie modelu PuLP

Analityka łańcucha dostaw w Pythonie

Aaren Stubberfield

Supply Chain Analytics Mgr.

Typowy proces modelowania w PuLP

~~Inicjalizacja modelu~~
~~Definicja zmiennych decyzyjnych~~
~~Definicja funkcji celu~~
~~Definicja ograniczeń~~
Rozwiązanie modelu
- wywołanie metody solve()
- sprawdzenie statusu rozwiązania
- wyświetlenie optymalnych zmiennych decyzyjnych
- wyświetlenie optymalnej funkcji celu

Rozwiązanie modelu – metoda solve

.solve(solver=None)

solver = Opcjonalnie: konkretny solver do użycia; domyślnie używany jest solver domyślny.

# Initialize, Define Decision Vars., Objective Function, and Constraints
from pulp import *
import pandas as pd
model = LpProblem("Minimize Transportation Costs", LpMinimize)
cust = ['A','B','C']
warehouse = ['W1','W2']
demand = {'A': 1500, 'B': 900, 'C': 800}
costs = {('W1','A'): 232, ('W1','B'): 255, ('W1','C'): 264, 
         ('W2','A'): 255, ('W2','B'): 233, ('W2','C'): 250}
ship = LpVariable.dicts("s_", [(w,c) for w in warehouse for c in cust], 
                         lowBound=0, cat='Integer')
model += lpSum([costs[(w, c)] * ship[(w, c)] for w in warehouse for c in cust])
for c in cust: model += lpSum([ship[(w, c)] for w in warehouse]) == demand[c]

# Solve Model
model.solve()

Rozwiązanie modelu – status rozwiązania

LpStatus[model.status]

Not Solved: Status przed rozwiązaniem problemu.
Optimal: Znaleziono rozwiązanie optymalne.
Infeasible: Brak rozwiązań dopuszczalnych (np. ograniczenia x ≤ 1 i x ≥ 2).
Unbounded: Funkcja celu jest nieograniczona – maksymalizacja lub minimalizacja dąży do nieskończoności (np. jedynym ograniczeniem jest x ≥ 3).
Undefined: Rozwiązanie optymalne może istnieć, ale nie zostało znalezione.

¹ Keen, Ben Alex. "Linear Programming with Python and PuLP ² Part 2." _Ben Alex Keen_, 1 Apr. 2016, benalexkeen.com/linear-programming-with-python-and-pulp-part-2/._{{5}}

# Initialize, Define Decision Vars., Objective Function, and Constraints
from pulp import *
import pandas as pd
model = LpProblem("Minimize Transportation Costs", LpMinimize)
cust = ['A','B','C']
warehouse = ['W1','W2']
demand = {'A': 1500, 'B': 900, 'C': 800}
costs = {('W1','A'): 232, ('W1','B'): 255, ('W1','C'): 264,
         ('W2','A'): 255, ('W2','B'): 233, ('W2','C'): 250}
ship = LpVariable.dicts("s_", [(w,c) for w in warehouse for c in cust], lowBound=0, cat='Integer')
model += lpSum([costs[(w, c)] * ship[(w, c)] for w in warehouse for c in cust])
for c in cust: model += lpSum([ship[(w, c)] for w in warehouse]) == demand[c]
# Solve Model
model.solve()
print("Status:", LpStatus[model.status])

Status: Optimal

Wyświetlenie zmiennych na standardowe wyjście:

for v in model.variables():
    print(v.name, "=", v.varValue)

Struktura danych Pandas:

o = [{A:ship[(w,'A')].varValue, B:ship[(w,'B')].varValue, C:ship[(w,'C')].varValue}
     for w in warehouse]
print(pd.DataFrame(o, index=warehouse))

iteracja po zmiennych modelu
przechowywanie wartości w DataFrame pandas

# Solve Model
model.solve()
print(LpStatus[model.status])
o = [{A:ship[(w,'A')].varValue, B:ship[(w,'B')].varValue, C:ship[(w,'C')].varValue}
     for w in warehouse]
print(pd.DataFrame(o, index=warehouse))

Wynik:

Status: Optimal
|       |A      |B      |C      |
|:------|:------|:------|:------|
|W1     |1500.0 |0.0    |0.0    |
|W2     |0.0    |900.0  |800.0  |

Rozwiązanie modelu – zoptymalizowana funkcja celu

Wyświetlenie wartości zoptymalizowanej funkcji celu:

print("Objective = ", value(model.objective))

# Solve Model
model.solve()
print(LpStatus[model.status])
output = []
for w in warehouse: t = [ship[(w,c)].varValue for c in cust] output.append(t)
opd = pd.DataFrame.from_records(output, index=warehouse, columns=cust)
print(opd)
print("Objective = ", value(model.objective))

Status: Optimal
|       |A      |B      |C      |
|:------|:------|:------|:------|
|W1     |1500.0 |0.0    |0.0    |
|W2     |0.0    |900.0  |800.0  |
Objective = 757700.0

Podsumowanie

Rozwiązanie modelu

Wywołanie metody solve()
Sprawdzenie statusu rozwiązania
Wyświetlenie wartości zmiennych decyzyjnych
Wyświetlenie wartości funkcji celu

Czas na ćwiczenia!

Analityka łańcucha dostaw w Pythonie