Kapasiteli tesis konumu - vaka çalışması P2

Python ile Tedarik Zinciri Analitiği

Aaren Stubberfield

SuSupply Chain Analytics Mgr.

Kapasiteli tesis konumu modeli

Modelleme

Bölgesel tesislerde üretim
- İki tesis boyutu (düşük / yüksek)
Üretimi diğer bölgelere ihraç etme
Üretim tesislerini açma / kapama

Bölgesel üretimli dünya görseli

Karar değişkenleri

Kontrol edebildiklerimiz:

x$_{\text{ij}}$ = _i_ konumunda üretilip _j_'ye sevk edilen miktar
y$_{\text{is}}$ = _i_ konumundaki _s_ kapasitedeki tesis açıksa 1, kapalıysa 0
- s = low veya high kapasiteli tesis

Kısıtlar

Toplam Üretim = Toplam Talep
- $\sum_{i=1}^{n}$ x$_{ij}$ = D$_{\text{j}}$ için $j = 1, ..., m$
- $n$ = üretim tesisi sayısı
- $m$ = pazar veya bölgesel talep noktası sayısı

Kısıtlar

Toplam Üretim ≤ Toplam Üretim Kapasitesi
- $\sum_{j=1}^{m}$ x$_{ij}$ ≤ $\sum_{s=1}$ K$_{is}$y$_{is}$
- K$_{is}$ = _i_ tesisinin _s_ boyutundaki potansiyel üretim kapasitesi

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]))

Kod örneği devamı

# 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])

Özet

Kapasiteli Tesis Konumu Modeli:

Kısıtlar
- Toplam Üretim = Toplam Talep
- Toplam Üretim ≤ Toplam Üretim Kapasitesi

Gözden geçirme zamanı

Python ile Tedarik Zinciri Analitiği