mirror of
https://github.com/kuhyx/WUT_Computer_Science.git
synced 2026-07-04 14:23:07 +02:00
feat: finished mom 3
This commit is contained in:
parent
58c5159bce
commit
50077290d0
@ -1,144 +1,98 @@
|
||||
import pulp
|
||||
import matplotlib.pyplot as plt
|
||||
import sys
|
||||
|
||||
# Create a problem variable:
|
||||
model = pulp.LpProblem("Optimal_Distribution", pulp.LpMinimize)
|
||||
# Define providers (Factories and Warehouses)
|
||||
factories = ['F1', 'F2']
|
||||
warehouses = ['M1', 'M2', 'M3', 'M4']
|
||||
providers = factories + warehouses # Combining both lists
|
||||
|
||||
# Define customers
|
||||
customers = ['K1', 'K2', 'K3', 'K4', 'K5', 'K6']
|
||||
|
||||
cost = {
|
||||
'F1': {'M1': 0.3, 'M2': 0.5, 'M3': 1.2, 'M4': 0.8, 'K1': 1.2, 'K2': 999, 'K3': 1.2, 'K4': 2.0, 'K5': 999, 'K6': 1.1},
|
||||
'F2': {'M1': 999, 'M2': 0.4, 'M3': 0.5, 'M4': 0.3, 'K1': 1.8, 'K2': 999, 'K3': 999, 'K4': 999, 'K5': 999, 'K6': 999},
|
||||
# Zdefiniowanie dostawcy (fabryki and magazyny)
|
||||
fabryki = ['F1', 'F2']
|
||||
magazyny = ['M1', 'M2', 'M3', 'M4']
|
||||
dostawcy = fabryki + magazyny # Combining both lists
|
||||
# Zdefiniowanie klientów
|
||||
klienci = ['K1', 'K2', 'K3', 'K4', 'K5', 'K6']
|
||||
koszt = {
|
||||
'F1': {'M1': 0.3, 'M2': 0.5, 'M3': 1.2, 'M4': 0.8, 'K1': 1.2, 'K2': 999,
|
||||
'K3': 1.2, 'K4': 2.0, 'K5': 999, 'K6': 1.1},
|
||||
'F2': {'M1': 999, 'M2': 0.4, 'M3': 0.5, 'M4': 0.3, 'K1': 1.8, 'K2': 999,
|
||||
'K3': 999, 'K4': 999, 'K5': 999, 'K6': 999},
|
||||
'M1': {'K1': 999, 'K2': 1.2, 'K3': 0.2, 'K4': 1.7, 'K5': 999, 'K6': 2.0},
|
||||
'M2': {'K1': 1.4, 'K2': 0.3, 'K3': 1.8, 'K4': 1.3, 'K5': 0.5, 'K6': 999},
|
||||
'M3': {'K1': 999, 'K2': 1.3, 'K3': 2.0, 'K4': 999, 'K5': 0.3, 'K6': 1.4},
|
||||
'M4': {'K1': 999, 'K2': 999, 'K3': 0.4, 'K4': 2.0, 'K5': 0.5, 'K6': 1.6}
|
||||
}
|
||||
P = pulp.LpVariable.dicts("P", [(i, j) for i in dostawcy for j in klienci], cat='Binary')
|
||||
maksymalne_zamowienie = 60
|
||||
poziom_satysfakcji = {'K1': 50 / maksymalne_zamowienie, 'K2': 10 / maksymalne_zamowienie, 'K3': 40 / maksymalne_zamowienie, 'K4': 35 / maksymalne_zamowienie, 'K5': 60 / maksymalne_zamowienie, 'K6': 20 / maksymalne_zamowienie}
|
||||
preferencja_klienta = {'K1': ['F2'], 'K2': ['M1'], 'K3': ['M2', 'M3'], 'K4': ['F1'], 'K5': [], 'K6': ['M3', 'M4']}
|
||||
suma_satysfakcji = pulp.lpSum([poziom_satysfakcji[j] * P[(i, j)] for i in dostawcy for j in klienci])
|
||||
|
||||
|
||||
# Decision variables
|
||||
x = pulp.LpVariable.dicts("x", [(i, j) for i in providers for j in customers], lowBound=0, cat='Integer')
|
||||
y = pulp.LpVariable.dicts("y", [(i, k) for i in factories for k in warehouses], lowBound=0, cat='Integer')
|
||||
# Objective function components
|
||||
cost_distribution = pulp.lpSum([cost[i][j] * x[(i, j)] for i in providers for j in customers])
|
||||
cost_warehouse = pulp.lpSum([cost[i][k] * y[(i, k)] for i in factories for k in warehouses])
|
||||
|
||||
# Zmienne decyzyjne
|
||||
x = pulp.LpVariable.dicts("x", [(i, j) for i in dostawcy for j in klienci], lowBound=0, cat='Integer')
|
||||
y = pulp.LpVariable.dicts("y", [(i, k) for i in fabryki for k in magazyny], lowBound=0, cat='Integer')
|
||||
# Funkcje Celu
|
||||
koszt_dystrybucji = pulp.lpSum([koszt[i][j] * x[(i, j)] for i in dostawcy for j in klienci])
|
||||
koszt_magazynowania = pulp.lpSum([koszt[i][k] * y[(i, k)] for i in fabryki for k in magazyny])
|
||||
alpha = 0.5
|
||||
beta = 0.5
|
||||
# Binary variables for meeting preferences
|
||||
P = pulp.LpVariable.dicts("P", [(i, j) for i in providers for j in customers], cat='Binary')
|
||||
max_order = 60
|
||||
satisfaction_scores = {'K1': 50 / max_order, 'K2': 10 / max_order, 'K3': 40 / max_order, 'K4': 35 / max_order, 'K5': 60 / max_order, 'K6': 20 / max_order}
|
||||
customer_preferences = {'K1': ['F2'], 'K2': ['M1'], 'K3': ['M2', 'M3'], 'K4': ['F1'], 'K5': [], 'K6': ['M3', 'M4']}
|
||||
# Satisfaction component
|
||||
satisfaction_component = pulp.lpSum([satisfaction_scores[j] * P[(i, j)] for i in providers for j in customers])
|
||||
model += alpha * (koszt_dystrybucji + koszt_magazynowania) - beta * suma_satysfakcji
|
||||
mozliwosci_fabryki = {'F1': 150, 'F2': 200}
|
||||
pojemnosc_magazynu = {'M1': 70, 'M2': 50 , 'M3': 100, 'M4': 40 }
|
||||
zamowienia_klientow = {'K1': 50, 'K2': 10, 'K3': 40, 'K4': 35, 'K5': 60, 'K6': 20}
|
||||
for i in fabryki:
|
||||
model += pulp.lpSum([x[(i, j)] for j in klienci] + [y[(i, k)] for k in magazyny]) <= mozliwosci_fabryki[i]
|
||||
|
||||
# Define objective
|
||||
model += alpha * (cost_distribution + cost_warehouse) - beta * satisfaction_component
|
||||
# Factory production capacity constraints
|
||||
factory_capacity = {'F1': 150, 'F2': 200}
|
||||
warehouse_capacity = {'M1': 70, 'M2': 50 , 'M3': 100, 'M4': 40 }
|
||||
customer_demand = {'K1': 50, 'K2': 10, 'K3': 40, 'K4': 35, 'K5': 60, 'K6': 20}
|
||||
for i in factories:
|
||||
model += pulp.lpSum([x[(i, j)] for j in customers] + [y[(i, k)] for k in warehouses]) <= factory_capacity[i]
|
||||
for k in magazyny:
|
||||
model += pulp.lpSum([x[(k, j)] for j in klienci]) <= pojemnosc_magazynu[k]
|
||||
|
||||
# Warehouse handling capacity constraints
|
||||
for k in warehouses:
|
||||
model += pulp.lpSum([x[(k, j)] for j in customers]) <= warehouse_capacity[k]
|
||||
for j in klienci:
|
||||
model += pulp.lpSum([x[(i, j)] for i in dostawcy]) == zamowienia_klientow[j]
|
||||
|
||||
# Customer demand fulfillment constraints
|
||||
for j in customers:
|
||||
model += pulp.lpSum([x[(i, j)] for i in providers]) == customer_demand[j]
|
||||
|
||||
# Other constraints like preferences can be added similarly
|
||||
# Solve the problem
|
||||
# Output results
|
||||
model.solve()
|
||||
for v in model.variables():
|
||||
print(v.name, "=", v.varValue)
|
||||
|
||||
# Assuming definitions of the model as previously discussed
|
||||
cost_results = []
|
||||
satisfaction_results = []
|
||||
|
||||
# Varying alpha and beta
|
||||
koszt_wyniki = []
|
||||
zadowolenie_wyniki = []
|
||||
wyniki_funkcji = []
|
||||
maksymalny_wynik = 0;
|
||||
for alpha in range(0, 11):
|
||||
beta = 10 - alpha + sys.float_info.epsilon
|
||||
alpha /= 10.0
|
||||
beta /= 10.0
|
||||
# Update objective function
|
||||
model.objective = alpha * cost_distribution - beta * satisfaction_component
|
||||
model.objective = alpha * koszt_dystrybucji - beta * suma_satysfakcji
|
||||
|
||||
# Solve the model
|
||||
model.solve()
|
||||
print(alpha)
|
||||
|
||||
# Record the results
|
||||
# Record the wyniki
|
||||
calkowity_koszt = pulp.value(koszt_dystrybucji)
|
||||
calkowite_zadowolenie = pulp.value(suma_satysfakcji)
|
||||
wynik_funkcji = pulp.value(alpha * koszt_dystrybucji - beta * suma_satysfakcji)
|
||||
koszt_wyniki.append(calkowity_koszt)
|
||||
zadowolenie_wyniki.append(calkowite_zadowolenie)
|
||||
if wynik_funkcji > maksymalny_wynik:
|
||||
maksymalny_wynik = wynik_funkcji
|
||||
wyniki_funkcji.append(wynik_funkcji)
|
||||
|
||||
# Record the results
|
||||
total_cost = pulp.value(cost_distribution)
|
||||
total_satisfaction = pulp.value(satisfaction_component)
|
||||
cost_results.append(total_cost)
|
||||
satisfaction_results.append(total_satisfaction)
|
||||
|
||||
print(cost_results, satisfaction_results)
|
||||
# Plotting the results
|
||||
plt.plot(cost_results, satisfaction_results, marker='o')
|
||||
plt.xlabel('Total Cost')
|
||||
plt.ylabel('Customer Satisfaction')
|
||||
plt.title('Trade-off between Cost and Customer Satisfaction')
|
||||
#plt.show()
|
||||
|
||||
if not cost_results or not satisfaction_results:
|
||||
raise ValueError("cost_results and/or satisfaction_results are empty")
|
||||
|
||||
# Function to identify non-dominated points
|
||||
def is_non_dominated(costs, sats, current_index):
|
||||
for i, (c, s) in enumerate(zip(costs, sats)):
|
||||
if i != current_index and c <= costs[current_index] and s >= sats[current_index]:
|
||||
return False
|
||||
return True
|
||||
|
||||
# Identify Non-Dominated Points
|
||||
non_dominated = [(c, s) for i, (c, s) in enumerate(zip(cost_results, satisfaction_results)) if is_non_dominated(cost_results, satisfaction_results, i)]
|
||||
|
||||
# Ensure non_dominated is not empty
|
||||
if not non_dominated:
|
||||
print("No non-dominated points found. Check the model and data.")
|
||||
if non_dominated:
|
||||
# Extract and plot the non-dominated points
|
||||
cost, satisfaction = zip(*non_dominated)
|
||||
plt.scatter(cost, satisfaction, color='r')
|
||||
plt.xlabel('Total Cost')
|
||||
plt.ylabel('Customer Satisfaction')
|
||||
plt.title('Pareto Front')
|
||||
plt.grid(True)
|
||||
plt.show()
|
||||
print("maksymalny_wynik", maksymalny_wynik, wyniki_funkcji)
|
||||
|
||||
# Pseudo-code, assuming model setup as previously discussed
|
||||
scenarios = [(1.0, sys.float_info.epsilon), (0.8, 0.2), (0.5, 0.5), (0.2, 0.8), (sys.float_info.epsilon, 1.0)]
|
||||
results = []
|
||||
scemariusze = [(1.0, sys.float_info.epsilon), (0.8, 0.2), (0.5, 0.5), (0.2, 0.8), (sys.float_info.epsilon, 1.0)]
|
||||
wyniki = []
|
||||
|
||||
for alpha, beta in scenarios:
|
||||
# Update objective function
|
||||
model.objective = alpha * cost_distribution - beta * satisfaction_component
|
||||
for alpha, beta in scemariusze:
|
||||
model.objective = alpha * koszt_dystrybucji - beta * suma_satysfakcji
|
||||
|
||||
# Solve the model
|
||||
model.solve()
|
||||
|
||||
# Record the results
|
||||
total_cost = pulp.value(cost_distribution)
|
||||
total_satisfaction = pulp.value(satisfaction_component)
|
||||
results.append((alpha, beta, total_cost, total_satisfaction))
|
||||
calkowity_koszt = pulp.value(koszt_dystrybucji)
|
||||
calkowite_zadowolenie = pulp.value(suma_satysfakcji)
|
||||
wyniki.append((alpha, beta, calkowity_koszt, calkowite_zadowolenie))
|
||||
|
||||
# Output results for the report
|
||||
for idx, (alpha, beta, cost, satisfaction) in enumerate(results):
|
||||
print(f"Step {idx+1}:")
|
||||
print(f" Weights - Cost: {alpha}, Satisfaction: {beta}")
|
||||
print(f" Total Cost: {cost}, Customer Satisfaction: {satisfaction}\n")
|
||||
for idx, (alpha, beta, koszt, zadowolenie) in enumerate(wyniki):
|
||||
print(f"Krok {idx+1}:")
|
||||
print(f" koszt: {alpha}, zadowolenie: {beta}")
|
||||
print(f" Calkowity koszt: {koszt}, zadowolenie klienta: {zadowolenie}\n")
|
||||
|
||||
|
||||
Binary file not shown.
@ -58,7 +58,14 @@
|
||||
\item $C_{i, j}$ - Koszty transportu dóbr z punktów $i$ (fabryka lub magazyn) do klienta $j$
|
||||
\item $C_{k, l}$ - Koszty transportu dóbr z fabryki $i$ do magazynu $k$
|
||||
\item $P_{i, j}$ - Binarnie określa czy preferencja klienta zostąła spełniona (1) czy nie (0)
|
||||
\item $S_j$ - Poziom satysfakcji klienta $j$
|
||||
\item $S_j$ - Poziom satysfakcji klienta $j$ - poziom satysfakcji liczymy w zależności od tego ile dany klient zamówił towaru \\
|
||||
Zadowolenie klientów którzy zamawiają więcej towarów jest traktowane priorytetowo:
|
||||
\[ S_1 = \frac{50}{60} \]
|
||||
\[ S_2 = \frac{10}{60} \]
|
||||
\[ S_3 = \frac{40}{60} \]
|
||||
\[ S_4 = \frac{35}{60} \]
|
||||
\[ S_5 = \frac{60}{60} \]
|
||||
\[ S_6 = \frac{20}{60} \]
|
||||
\item $D_j$ - Zapotrzebowanie klienta $j$
|
||||
\end{itemize}
|
||||
\paragraph{Zmienne decyzyjne}
|
||||
@ -74,6 +81,8 @@
|
||||
W celu maksymalizacji satysfakcji klienta policzymy ile z dostaw do klientów odbyło się z preferencyjnych źródeł \\
|
||||
\[ Max(\sum_{j} S_j * P_{i,j} * x_{i, j}) \]
|
||||
\end{enumerate}
|
||||
\paragraph{Funkcja celu alpha beta}
|
||||
\[ \alpha * (Min(\sum_{i, j} C_{i, j} * x_{i, j} + \sum{i, k} C_{i, k} * y_{i, k})) + \beta * (Max(\sum_{j} S_j * P_{i,j} * x_{i, j})) \]
|
||||
\paragraph{Ograniczenia}
|
||||
Miesięczne możliwości produkcyjne fabryk
|
||||
\begin{equation}
|
||||
@ -107,57 +116,95 @@ Wartości niezerowe
|
||||
\section{Implementacja}
|
||||
Do implementacji użyty został python z biblioteką pulp \href{https://coin-or.github.io/pulp/index.html}{https://coin-or.github.io/pulp/index.html} \\
|
||||
Dzięki temu wykorzystujemy zarówno łatwość pythona jak i możliwości używania różnych solverów (CBC, GLPK, CPLEX, Gurobi...) przez pulpa \\
|
||||
\begin{lstlisting}[language=Python, caption={Import bilbioteki pulp}]
|
||||
\begin{lstlisting}[language=Python, caption={Import bilbioteki pulp i bibliotek używanych do wykresu}]
|
||||
import pulp
|
||||
import sys
|
||||
\end{lstlisting}
|
||||
\begin{lstlisting}[language=Python, caption={Iniicjalizacja modelu}]
|
||||
model = pulp.LpProblem("Optimal_Distribution", pulp.LpMinimize)
|
||||
\end{lstlisting}
|
||||
|
||||
\begin{lstlisting}[language=Python, caption={Zdefiniowanie zmiennych i parametrów}]
|
||||
fabryki = ['F1', 'F2']
|
||||
magazyny = ['M1', 'M2', 'M3', 'M4']
|
||||
dostawcy = fabryki + magazyny
|
||||
|
||||
klienci = ['K1', 'K2', 'K3', 'K4', 'K5', 'K6']
|
||||
|
||||
koszt = {
|
||||
'F1': {'M1': 0.3, 'M2': 0.5, 'M3': 1.2, 'M4': 0.8,
|
||||
'K1': 1.2, 'K2': 999, K3': 1.2, 'K4': 2.0,
|
||||
'K5': 999, 'K6': 1.1},
|
||||
'F2': {'M1': 999, 'M2': 0.4, 'M3': 0.5, 'M4': 0.3,
|
||||
'K1': 1.8, 'K2': 999, 'K3': 999, 'K4': 999,
|
||||
'K5': 999, 'K6': 999},
|
||||
'M1': {'K1': 999, 'K2': 1.2, 'K3': 0.2, 'K4': 1.7,
|
||||
'K5': 999, 'K6': 2.0},
|
||||
'M2': {'K1': 1.4, 'K2': 0.3, 'K3': 1.8, 'K4': 1.3,
|
||||
'K5': 0.5, 'K6': 999},
|
||||
'M3': {'K1': 999, 'K2': 1.3, 'K3': 2.0, 'K4': 999,
|
||||
'K5': 0.3, 'K6': 1.4},
|
||||
'M4': {'K1': 999, 'K2': 999, 'K3': 0.4, 'K4': 2.0,
|
||||
'K5': 0.5, 'K6': 1.6}
|
||||
}
|
||||
P = pulp.LpVariable.dicts(
|
||||
"P", [(i, j) for i in dostawcy for j in klienci],
|
||||
cat='Binary')
|
||||
maksymalne_zamowienie = 60
|
||||
poziom_satysfakcji = {
|
||||
'K1': 50 / maksymalne_zamowienie,
|
||||
'K2': 10 / maksymalne_zamowienie,
|
||||
'K3': 40 / maksymalne_zamowienie,
|
||||
'K4': 35 / maksymalne_zamowienie,
|
||||
'K5': 60 / maksymalne_zamowienie,
|
||||
'K6': 20 / maksymalne_zamowienie}
|
||||
preferencja_klienta = {
|
||||
'K1': ['F2'], 'K2': ['M1'], 'K3': ['M2', 'M3'],
|
||||
'K4': ['F1'], 'K5': [], 'K6': ['M3', 'M4']}
|
||||
suma_satysfakcji = pulp.lpSum(
|
||||
[poziom_satysfakcji[j] * P[(i, j)]
|
||||
for i in dostawcy for j in klienci])
|
||||
\end{lstlisting}
|
||||
|
||||
\begin{lstlisting}[language=Python, caption={Zmienne decyzyjne}]
|
||||
x =
|
||||
pulp.LpVariable.dicts("x",
|
||||
[(i, j) for i in punkty for j in klienci],
|
||||
lowBound=0,
|
||||
cat='Integer')
|
||||
y
|
||||
pulp.LpVariable.dicts("y",
|
||||
x = pulp.LpVariable.dicts(
|
||||
"x",
|
||||
[(i, j) for i in dostawcy for j in klienci],
|
||||
lowBound=0, cat='Integer')
|
||||
y = pulp.LpVariable.dicts("y",
|
||||
[(i, k) for i in fabryki for k in magazyny],
|
||||
lowBound=0,
|
||||
cat='Integer')
|
||||
lowBound=0, cat='Integer')
|
||||
\end{lstlisting}
|
||||
|
||||
\begin{lstlisting}[language=Python, caption={Funkcje celu}]
|
||||
# Objective function components
|
||||
koszt_dystrybucji =
|
||||
pulp.lpSum(
|
||||
[cost[i][j] * x[(i, j)] for i in punkty for j in klienci]
|
||||
)
|
||||
koszt_magazynowania =
|
||||
pulp.lpSum(
|
||||
[cost[i][k] * y[(i, k)] for i in fabryki for k in magazyny]
|
||||
)
|
||||
|
||||
# Define objective
|
||||
model +=
|
||||
alpha
|
||||
koszt_dystrybucji = pulp.lpSum(
|
||||
[koszt[i][j] * x[(i, j)]
|
||||
for i in dostawcy for j in klienci])
|
||||
koszt_magazynowania = pulp.lpSum(
|
||||
[koszt[i][k] * y[(i, k)]
|
||||
for i in fabryki for k in magazyny])
|
||||
alpha = 0.5
|
||||
beta = 0.5
|
||||
model += alpha
|
||||
* (koszt_dystrybucji + koszt_magazynowania)
|
||||
- beta * poziom_satysfakcji
|
||||
- beta * suma_satysfakcji
|
||||
\end{lstlisting}
|
||||
|
||||
\begin{lstlisting}[language=Python, caption={Ograniczenia}]
|
||||
for i in fabryki:
|
||||
model +=
|
||||
pulp.lpSum([x[(i, j)] for j in klienci]
|
||||
model += pulp.lpSum(
|
||||
[x[(i, j)] for j in klienci]
|
||||
+ [y[(i, k)] for k in magazyny])
|
||||
<= mozliwosci_fabryki[i]
|
||||
|
||||
for k in magazyny:
|
||||
model +=
|
||||
pulp.lpSum([x[(k, j)] for j in klienci])
|
||||
<= mozliwosci_magazynu[k]
|
||||
model += pulp.lpSum(
|
||||
[x[(k, j)] for j in klienci]
|
||||
) <= pojemnosc_magazynu[k]
|
||||
|
||||
for j in klienci:
|
||||
model +=
|
||||
pulp.lpSum([x[(i, j)] for i in punkty]) == wymagania_klienta[j]
|
||||
model += pulp.lpSum(
|
||||
[x[(i, j)] for i in dostawcy]) == zamowienia_klientow[j]
|
||||
\end{lstlisting}
|
||||
|
||||
\begin{lstlisting}[language=Python, caption={Rozwiązanie problemu}]
|
||||
@ -175,24 +222,77 @@ Aby zdefiniować rozwiązanie efektywne sprawdzamy sumaryczy obu funkcji celu dl
|
||||
w tym celu napisany został kod który modyfikuje wartości $\alpha$ i $\beta$ w pętli
|
||||
|
||||
\begin{lstlisting}[language=Python, caption={Wyznaczanie alpha i beta}]
|
||||
|
||||
# Varying alpha and beta
|
||||
for alpha in range(0, 11):
|
||||
beta = 10 - alpha
|
||||
koszt_wyniki = []
|
||||
zadowolenie_wyniki = []
|
||||
wyniki_funkcji = []
|
||||
maksymalny_wynik = 0;
|
||||
for alpha in range(0, 11):
|
||||
beta = 10 - alpha + sys.float_info.epsilon
|
||||
alpha /= 10.0
|
||||
beta /= 10.0
|
||||
|
||||
# Update objective function
|
||||
model.objective = alpha * cost_distribution - beta * satisfaction_component
|
||||
model.objective = alpha * koszt_dystrybucji
|
||||
- beta * suma_satysfakcji
|
||||
|
||||
# Solve the model
|
||||
model.solve()
|
||||
print(alpha)
|
||||
|
||||
# Record the results
|
||||
total_cost = value(cost_distribution)
|
||||
total_satisfaction = value(satisfaction_component)
|
||||
cost_results.append(total_cost)
|
||||
satisfaction_results.append(total_satisfaction)
|
||||
# Record the wyniki
|
||||
calkowity_koszt = pulp.value(koszt_dystrybucji)
|
||||
calkowite_zadowolenie = pulp.value(suma_satysfakcji)
|
||||
wynik_funkcji = pulp.value(alpha * koszt_dystrybucji
|
||||
- beta * suma_satysfakcji)
|
||||
koszt_wyniki.append(calkowity_koszt)
|
||||
zadowolenie_wyniki.append(calkowite_zadowolenie)
|
||||
if wynik_funkcji > maksymalny_wynik:
|
||||
maksymalny_wynik = wynik_funkcji
|
||||
wyniki_funkcji.append(wynik_funkcji)
|
||||
|
||||
print("maksymalny_wynik", maksymalny_wynik, wyniki_funkcji)
|
||||
|
||||
\end{lstlisting}
|
||||
Najwyższy wynik zostął uzyskany dla $\alpha = 10$ i $\beta = 0$ i wynosił on \textbf{156.5}
|
||||
|
||||
\paragraph{Symulacja procesu podejmowania decyzji}
|
||||
Przeprowadzone zostały symulacje dla 5 sytuacji:
|
||||
\begin{enumerate}
|
||||
\item Tylko minimalizacja kosztów $\alpha = 1.0$ $\beta = 0.0$
|
||||
\item Priorytet na minimalizacji kosztów $\alpha = 0.8$ $\beta = 0.2$
|
||||
\item Równy podział $\alpha = 0.5$ $\beta = 0.5$
|
||||
\item Priorytet na satysfakcji klientów $\alpha = 0.2$ $\beta = 0.8$
|
||||
\item Tylko satysfakcja klientów $\alpha = 0.0$ $\beta = 1.0$
|
||||
\end{enumerate}
|
||||
|
||||
Ponownie w celu przeprowadzenia symulacji napisano kod w pythonie
|
||||
\begin{lstlisting}[language=Python]
|
||||
# Pseudo-code, assuming model setup as previously discussed
|
||||
scemariusze = [
|
||||
(1.0, sys.float_info.epsilon),
|
||||
(0.8, 0.2),
|
||||
(0.5, 0.5),
|
||||
(0.2, 0.8),
|
||||
(sys.float_info.epsilon, 1.0)]
|
||||
wyniki = []
|
||||
|
||||
for alpha, beta in scemariusze:
|
||||
model.objective = alpha * koszt_dystrybucji
|
||||
- beta * suma_satysfakcji
|
||||
|
||||
model.solve()
|
||||
|
||||
calkowity_koszt = pulp.value(koszt_dystrybucji)
|
||||
calkowite_zadowolenie = pulp.value(suma_satysfakcji)
|
||||
wyniki.append(
|
||||
(alpha, beta, calkowity_koszt, calkowite_zadowolenie)
|
||||
)
|
||||
|
||||
for idx, (alpha, beta, koszt, zadowolenie) in enumerate(wyniki):
|
||||
print(f"Krok {idx+1}:")
|
||||
print(f" koszt: {alpha}, zadowolenie: {beta}")
|
||||
print(f"
|
||||
Calkowity koszt: {koszt},
|
||||
zadowolenie klienta: {zadowolenie}\n")
|
||||
\end{lstlisting}
|
||||
|
||||
\end{document}
|
||||
Loading…
Reference in New Issue
Block a user