mirror of
https://github.com/kuhyx/WUT_Computer_Science.git
synced 2026-07-04 20:23:04 +02:00
99 lines
4.1 KiB
Python
99 lines
4.1 KiB
Python
import pulp
|
|
import sys
|
|
|
|
# Create a problem variable:
|
|
model = pulp.LpProblem("Optimal_Distribution", pulp.LpMinimize)
|
|
# 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])
|
|
|
|
|
|
# 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
|
|
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]
|
|
|
|
for k in magazyny:
|
|
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 dostawcy]) == zamowienia_klientow[j]
|
|
|
|
model.solve()
|
|
for v in model.variables():
|
|
print(v.name, "=", v.varValue)
|
|
|
|
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 * koszt_dystrybucji - beta * suma_satysfakcji
|
|
|
|
# Solve the model
|
|
model.solve()
|
|
print(alpha)
|
|
|
|
# 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)
|
|
|
|
# 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")
|
|
|