Capacitated plant location - केस स्टडी P3

Python में सप्लाई चेन एनालिटिक्स

Aaren Stubberfield

Supply Chain Analytics Mgr.

Capacitated plant location मॉडल

मॉडलिंग

क्षेत्रीय सुविधाओं में उत्पादन
- दो प्लांट साइज (लो / हाई)
उत्पादन को अन्य क्षेत्रों में एक्सपोर्ट करना
उत्पादन सुविधाएँ खोलें / बंद करें

क्षेत्रीय उत्पादन वाला ग्लोब

अपेक्षित रेंजेस

हम अपने निर्णय वैरिएबल्स के मान कैसे अपेक्षित करें?

उत्पादन मात्राएँ:

उन क्षेत्रों में अधिक उत्पादन जहाँ वैरिएबल उत्पादन और शिपिंग लागत कम हो
उन क्षेत्रों में अधिकतम उत्पादन जहाँ फिक्स्ड उत्पादन लागत भी अपेक्षाकृत कम हो

उत्पादन प्लांट खुले या बंद:

उच्च मांग वाले क्षेत्रों में हाई-कैपेसिटी प्लांट
अपेक्षाकृत कम फिक्स्ड कॉस्ट वाले क्षेत्रों में हाई-कैपेसिटी प्लांट

कंस्ट्रेंट्स का सेंसिटिविटी विश्लेषण

कुल उत्पादन = कुल मांग:

shadow prices = किसी क्षेत्र की मांग बढ़ने पर प्रति यूनिट कुल लागत में बदलाव दर्शाते हैं
slack = शून्य होना चाहिए

कुल उत्पादन ≤ कुल उत्पादन क्षमता:

shadow prices = उत्पादन क्षमता बढ़ने पर कुल लागत में बदलाव दर्शाते हैं
slack = वे क्षेत्र जिनमें अतिरिक्त उत्पादन क्षमता है

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))

बिज़नेस प्रश्न

संभावित प्रश्न:

इस सप्लाई चेन नेटवर्क मॉडल की अपेक्षित लागत क्या है?
यदि किसी क्षेत्र में मांग बढ़ती है तो उस क्षेत्र की उत्पादन और शिपिंग लागत कवर करने के लिए कितना मुनाफा चाहिए?
किन क्षेत्रों में भविष्य की मांग वृद्धि के लिए अभी भी उत्पादन क्षमता है?

सारांश

रीकैप:

निर्णय वैरिएबल्स की अपेक्षित रेंजेस
सेंसिटिविटी विश्लेषण का आउटपुट व्याख्या (shadow prices और slack)
हल करने और परिणाम दिखाने का कोड
संभावित बिज़नेस प्रश्न

बहुत बढ़िया! अब आपकी बारी

Python में सप्लाई चेन एनालिटिक्स