Capacitated plant location - กรณีศึกษา P1

Supply Chain Analytics ด้วย Python

Aaren Stubberfield

Supply Chain Analytics Mgr.

บริบท

ตัวเลือกในการตอบสนองความต้องการสินค้าในแต่ละภูมิภาค

ตัวเลือก	ข้อดี	ข้อเสีย
โรงงานผลิตขนาดเล็กภายในภูมิภาค	ต้นทุนขนส่งต่ำ ภาษีและอากรน้อยหรือไม่มีเลย	เครือข่ายโดยรวมอาจมีกำลังการผลิตเกิน ไม่สามารถใช้ประโยชน์จากการประหยัดต่อขนาดได้
โรงงานผลิตขนาดใหญ่จำนวนน้อยแห่งและจัดส่งสินค้าไปยังภูมิภาค	ประหยัดต่อขนาด	ต้นทุนขนส่งสูงขึ้น ภาษีและอากรสูงขึ้น

Capacitated plant location model

Capacitated Plant Location Model$^{1}$
เป้าหมายคือการปรับเครือข่าย Supply Chain ระดับโลกให้เหมาะสมที่สุด
- ตอบสนองความต้องการในแต่ละภูมิภาคด้วยต้นทุนต่ำสุด
- กำหนดปริมาณการผลิตสินค้าในแต่ละภูมิภาค

¹ Chopra, Sunil, and Peter Meindl. _Supply Chain Management: Strategy, Planning, and Operations._ Pearson Prentice-Hall, 2007.

Capacitated plant location model

การสร้างโมเดล

การผลิตที่โรงงานในแต่ละภูมิภาค
- โรงงาน 2 ขนาด (กำลังต่ำ / กำลังสูง)
การส่งออกสินค้าไปยังภูมิภาคอื่น
การเปิด / ปิดโรงงานผลิต

ภาพลูกโลกแสดงการผลิตในแต่ละภูมิภาค

ตัวแปรการตัดสินใจ

สิ่งที่ควบคุมได้:

$x_{ij}$ = ปริมาณที่ผลิตที่ตำแหน่ง _i_ และจัดส่งไปยัง _j_
$y_{is}$ = 1 หากโรงงานที่ตำแหน่ง _i_ ที่มีกำลังการผลิต _s_ เปิดอยู่ และ 0 หากปิด
- $s$ = โรงงานกำลังการผลิต ต่ำ หรือ สูง

ฟังก์ชันวัตถุประสงค์

Minimize $z = \sum_{i=1}^{n}(f_{is} y_{is}) + \sum_{i=1}^{n} \sum_{i=1}^{m} (c_{ij} x_{ij})$

$c_{ij}$ = ต้นทุนการผลิตและขนส่งจากโรงงาน _i_ ไปยังภูมิภาค _j_
$f_{is}$ = ต้นทุนคงที่ในการเปิดโรงงาน _i_ ที่มีกำลังการผลิต _s_
$n$ = จำนวนโรงงานผลิต
$m$ = จำนวนตลาดหรือจุดความต้องการในแต่ละภูมิภาค

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='Continous')
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]))

สรุป

Capacitated Plant Location Model:

หาสมดุลระหว่างจำนวนโรงงานผลิต
ตัวแปรการตัดสินใจในโมเดล:
- ปริมาณการผลิตในภูมิภาคและการส่งออก
- โรงงานกำลังสูงหรือกำลังต่ำ เปิดหรือปิด
ทบทวนฟังก์ชันวัตถุประสงค์
- รวมต้นทุนการผลิตแบบแปรผันและคงที่
ทบทวนตัวอย่างโค้ด

ทบทวนความรู้

Supply Chain Analytics ด้วย Python