Capacitated plant location - केस स्टडी P2

Python में सप्लाई चेन एनालिटिक्स

Aaren Stubberfield

SuSupply Chain Analytics Mgr.

Capacitated plant location मॉडल

मॉडलिंग

क्षेत्रीय सुविधाओं में उत्पादन
- दो प्लांट आकार (लो / हाई)
उत्पादन को अन्य क्षेत्रों में एक्सपोर्ट करना
उत्पादन सुविधाएँ खोलना / बंद करना

क्षेत्रीय उत्पादन वाला ग्लोब

Decision variables

हम क्या नियंत्रित कर सकते हैं:

x$_{\text{ij}}$ = स्थान _i_ पर उत्पादित और _j_ को शिप की गई मात्रा
y$_{\text{is}}$ = 1 यदि स्थान _i_ पर क्षमता _s_ वाला प्लांट खुला है, 0 यदि बंद
- s = low या high क्षमता वाला प्लांट

Constraints

कुल उत्पादन = कुल डिमांड
- $\sum_{i=1}^{n}$ x$_{ij}$ = D$_{\text{j}}$ जहाँ $j = 1, ..., m$
- $n$ = उत्पादन सुविधाओं की संख्या
- $m$ = मार्केट या क्षेत्रीय डिमांड पॉइंट्स की संख्या

Constraints

कुल उत्पादन ≤ कुल उत्पादन क्षमता
- $\sum_{j=1}^{m}$ x$_{ij}$ ≤ $\sum_{s=1}$ K$_{is}$y$_{is}$
- K$_{is}$ = आकार _s_ वाले प्लांट _i_ की संभावित उत्पादन क्षमता

from pulp import *

# 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]))

कोड उदाहरण जारी

# 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])

सारांश

Capacitated Plant Location मॉडल:

Constraints
- कुल उत्पादन = कुल डिमांड
- कुल उत्पादन ≤ कुल उत्पादन क्षमता

रीव्यू टाइम

Python में सप्लाई चेन एनालिटिक्स