Kapasiteli tesis yer seçimi - vaka çalışması P3

Python ile Tedarik Zinciri Analitiği

Aaren Stubberfield

Supply Chain Analytics Mgr.

Kapasiteli tesis yer seçimi modeli

Modelleme

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

bölgesel üretimli dünya görseli

Beklenen aralıklar

Karar değişkenlerimizin değerlerinden ne beklemeliyiz?

Üretim Miktarları:

Değişken üretim ve sevkiyat maliyetleri düşük bölgelerde yüksek üretim
Sabit üretim maliyeti de nispeten düşük olan bölgelerde üretim kapasiteye kadar kullanılır

Üretim Tesisi Açık mı Kapalı mı:

Talebin yüksek olduğu bölgelerde yüksek kapasiteli tesis
Sabit maliyetlerin nispeten düşük olduğu bölgelerde yüksek kapasiteli tesis

Kısıtların duyarlılık analizi

Toplam Üretim = Toplam Talep:

shadow prices = Bir bölgenin talebi arttığında toplam maliyetteki değişimi gösterir
slack = Sıfır olmalı

Toplam Üretim ≤ Toplam Üretim Kapasitesi:

shadow prices = Üretim kapasitesi arttığında toplam maliyetteki değişimi gösterir
slack = Fazla üretim kapasitesi olan bölgeler

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))

İş soruları

Muhtemel Sorular:

Bu tedarik zinciri ağı modelinin beklenen maliyeti nedir?
Bir bölgede talep artarsa, o bölgeye üretim ve sevkiyat maliyetlerini karşılamak için ne kadar kâr gerekir?
Gelecekteki talep artışı için hangi bölgelerde hâlâ üretim kapasitesi var?

Özet

Gözden geçirdik:

Karar değişkenleri için beklenen aralıklar
Duyarlılık analizi çıktısının yorumu (shadow prices ve slack)
Çözüm ve sonuç çıktısı için kod
Olası iş odaklı soru

Harika iş! Sıra sende

Python ile Tedarik Zinciri Analitiği