พื้นฐานการสร้างโมเดลด้วย PuLP

Supply Chain Analytics ด้วย Python

Aaren Stubberfield

Supply Chain Analytics Mgr.

PuLP คืออะไร

PuLP คือ framework สำหรับสร้างโมเดล Linear Programming (LP) และ Integer Programming (IP) ใน Python
ดูแลโดย COIN-OR Foundation (Computational Infrastructure for Operations Research)
PuLP เชื่อมต่อกับ Solver ต่าง ๆ
- CPLEX
- COIN
- Gurobi
- ฯลฯ

ตัวอย่าง PuLP – การจัดสรรทรัพยากร

เป็นที่ปรึกษาให้ร้านเบเกอรีที่ขายเค้ก 2 ประเภท
ช่วงเวลา 30 วัน
ทรัพยากรที่มี:
- เตาอบ 1 เครื่อง
- เบเกอร์ 2 คน
- พนักงานแพ็คสินค้า 1 คน – ทำงานเพียง 22 วัน

ตัวอย่าง PuLP – การจัดสรรทรัพยากร

ทรัพยากรที่ใช้ต่างกันสำหรับเค้ก 2 ประเภท:

	เค้ก A	เค้ก B
เตาอบ	0.5 วัน	1 วัน
เบเกอร์	1 วัน	2.5 วัน
พนักงานแพ็ค	1 วัน	2 วัน

	เค้ก A	เค้ก B
กำไร	$20.00	$40.00

ตัวอย่าง PuLP – การจัดสรรทรัพยากร

เป้าหมายคือการ Maximize กำไร
- กำไร = 20*A + 40*B
Subject to:
- A ≥ 0
- B ≥ 0
- 0.5A + 1B ≤ 30
- 1A + 2.5B ≤ 60
- 1A + 2B ≤ 22

ขั้นตอนการสร้างโมเดลด้วย PuLP

เริ่มต้นโมเดล
กำหนดตัวแปรการตัดสินใจ
กำหนดฟังก์ชันวัตถุประสงค์
กำหนด Constraint
แก้โมเดล

เริ่มต้นโมเดล - LpProblem()

LpProblem(name='NoName', sense=LpMinimize)

name = ชื่อของปัญหาที่ใช้ในไฟล์ .lp ที่ส่งออก เช่น "My LP Problem"
sense = กำหนดว่าจะ Maximize หรือ Minimize ฟังก์ชันวัตถุประสงค์
- Minimize = LpMinimize (ค่าเริ่มต้น)
- Maximize = LpMaximize

ตัวอย่าง PuLP – การจัดสรรทรัพยากร

เริ่มต้นโมเดล

from pulp import *

# Initialize Class
model = LpProblem("Maximize Bakery Profits", LpMaximize)

กำหนดตัวแปรการตัดสินใจ - LpVariable()

LpVariable(name, lowBound=None, upBound=None, cat='Continuous', e=None)

name = ชื่อตัวแปรที่ใช้ในไฟล์ .lp ที่ส่งออก
lowBound = ขอบเขตล่าง
upBound = ขอบเขตบน
cat = ประเภทของตัวแปร
- Integer
- Binary
- Continuous (ค่าเริ่มต้น)
e = ใช้สำหรับการสร้างโมเดลแบบ column-based

ตัวอย่าง PuLP – การจัดสรรทรัพยากร

เริ่มต้น Class
กำหนดตัวแปร

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

ตัวอย่าง PuLP – การจัดสรรทรัพยากร

เริ่มต้น Class
กำหนดตัวแปร
กำหนดฟังก์ชันวัตถุประสงค์

# Define Objective Function
model += 20 * A + 40 * B

ตัวอย่าง PuLP – การจัดสรรทรัพยากร

เริ่มต้น Class
กำหนดตัวแปร
กำหนดฟังก์ชันวัตถุประสงค์
กำหนด Constraint

# Define Constraints
model += 0.5 * A + 1 * B <= 30
model += 1 * A + 2.5 * B <= 60
model += 1 * A + 2 * B <= 22

ตัวอย่าง PuLP – การจัดสรรทรัพยากร

เริ่มต้น Class
กำหนดตัวแปร
กำหนดฟังก์ชันวัตถุประสงค์
กำหนด Constraint
แก้โมเดล

# Solve Model
model.solve()
print("Produce {} Cake A".format(A.varValue))
print("Produce {} Cake B".format(B.varValue))

ตัวอย่าง PuLP – การจัดสรรทรัพยากร

from pulp import *

# Initialize Class
model = LpProblem("Maximize Bakery Profits",
                   LpMaximize)

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

# Define Objective Function
model += 20 * A + 40 * B

# Define Constraints
model += 0.5 * A + 1 * B <= 30
model += 1 * A + 2.5 * B <= 60
model += 1 * A + 2 * B <= 22

# Solve Model
model.solve()
print("Produce {} Cake A".format(A.varValue))
print("Produce {} Cake B".format(B.varValue))

สรุป

PuLP คือเครื่องมือสร้างโมเดล LP / IP ใน Python
ทบทวน 5 ขั้นตอนของกระบวนการสร้างโมเดลด้วย PuLP
1. เริ่มต้นโมเดล
2. กำหนดตัวแปรการตัดสินใจ
3. กำหนดฟังก์ชันวัตถุประสงค์
4. กำหนด Constraint
5. แก้โมเดล
ฝึกตัวอย่างการจัดสรรทรัพยากรเสร็จสมบูรณ์

มาฝึกกันเถอะ!

Supply Chain Analytics ด้วย Python