Localizarea plantei capacitate - studiu de caz P3

Analitică în lanțul de aprovizionare cu Python

Aaren Stubberfield

Supply Chain Analytics Mgr.

Modelul de localizare a plantei capacitate

Modelare

Producție la facilități regionale
- Două dimensiuni de plantă (mică / mare)
Export al producției în alte regiuni
Facilități de producție deschise / închise

imagine a globului cu producție regională

Intervale așteptate

Ce valori sunt așteptate pentru variabilele de decizie?

Cantități de producție:

Producție ridicată în regiunile cu costuri variabile de producție și transport reduse
Producție maximă în regiunile cu costuri fixe relativ scăzute

Plantă de producție deschisă sau închisă:

Plantă cu capacitate mare în regiunile cu cerere ridicată
Plantă cu capacitate mare în regiunile cu costuri fixe relativ scăzute

Analiza de sensibilitate a constrângerilor

Producție totală = Cerere totală:

shadow prices = Variația costului total per creștere a cererii într-o regiune
slack = Ar trebui să fie zero

Producție totală ≤ Capacitate totală de producție:

shadow prices = Variația costurilor totale per creștere a capacității de producție
slack = Regiunile cu capacitate de producție excedentară

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))

Întrebări de afaceri

Întrebări posibile:

Care este costul estimat al acestui model de rețea logistică?
Dacă cererea crește într-o regiune, cât profit este necesar pentru a acoperi costurile de producție și transport?
Care regiuni mai au capacitate de producție disponibilă pentru cerere viitoare?

Rezumat

Recapitulare:

Intervalele așteptate pentru variabilele de decizie
Interpretarea rezultatelor analizei de sensibilitate (shadow prices și slack)
Cod pentru rezolvare și afișarea rezultatelor
Întrebări tipice de afaceri

Foarte bine! Rândul dumneavoastră

Analitică în lanțul de aprovizionare cu Python