Skip to content

Latest commit

 

History

History
115 lines (81 loc) · 4.87 KB

README.md

File metadata and controls

115 lines (81 loc) · 4.87 KB
Raw

📦 Network Design Optimization

Bem-vindo ao projeto Network Design Optimization! Este repositório contém um script em Python que utiliza a biblioteca PuLP para resolver um problema complexo de otimização da cadeia de suprimentos. Abaixo, você encontrará um guia abrangente sobre o que este script faz, como usá-lo e como estruturar seus dados de entrada. Vamos lá! 🚀

📚 Índice

📋 Visão Geral

Este script utliza programação linear com a ajuda da biblioteca PuLP para resolver um problema classico de otimização de malha, escolhendo a melhores origens para atendimentos considerando o menor custo total. O objetivo é minimizar os custos totais de produção e transporte em uma rede de fábricas, produtos e clientes.

🔍 Descrição do Problema

O script visa:

  1. Minimizar o Custo Total: Calcular as quantidades ótimas de produção e distribuição para minimizar os custos combinados de produção e envio.
  2. Satisfazer a Demanda: Garantir que a demanda de cada produto por cada cliente seja atendida.
  3. Respeitar as Capacidades: Assegurar que as capacidades de produção das fábricas não sejam excedidas.
  4. Cumprir os Lotes Mínimos: Garantir que as quantidades de produção atendam aos requisitos de lote mínimo.

🏭 O Problema de Otimização

Dados de Exemplo:

  • 10 fábricas
  • 100 SKUs (produtos)
  • 200 clientes

os dados aqui são ficticios usados apenas para exemplo de como os dados reais devem ser inseridos nas planilhas de input.

O script define o seguinte:

  • Variáveis de Decisão: Quantidades de produção para cada combinação de fábrica, produto e cliente.
  • Função Objetivo: Minimizar o custo total, que inclui os custos de produção e transporte.
  • Restrições: Restrições de capacidade de produção para cada fábrica, atendimento da demanda para cada cliente e lotes mínimos de produção.

📊 Estrutura dos Dados de Entrada

Para usar este script, você precisa preparar seus dados de entrada na pasta input conforme os exemplos lá existentes, após feito isso, a segundar parte do código no notebook irá transformar os dados da seguinte forma:

  1. Lista de Fábricas: Uma lista com os nomes das fábricas.
  2. Lista de Produtos: Uma lista com os nomes dos produtos.
  3. Lista de Clientes: Uma lista com os nomes dos clientes.
  4. Custos de Produção: Um dicionário com chaves como tuplas (fábrica, produto) e valores como custos de produção.
  5. Custos de Transporte: Um dicionário com chaves como tuplas (fábrica, cliente) e valores como custos de transporte.
  6. Capacidades das Fábricas: Um dicionário com os nomes das fábricas como chaves e suas capacidades de produção como valores.
  7. Demandas dos Clientes: Um dicionário aninhado com os nomes dos clientes como chaves e dicionários de demandas de produtos como valores.
  8. Rendimentos de Produção: Um dicionário com chaves como tuplas (fábrica, produto) e valores como taxas de rendimento.
  9. Lotes Mínimos: Um dicionário com chaves como tuplas (fábrica, produto) e valores como tamanhos mínimos de lote de produção.

Exemplo

fabricas = ["Fabrica_1", "Fabrica_2", ..., "Fabrica_10"]
produtos = ["Produto_1", "Produto_2", ..., "Produto_100"]
clientes = ["Cliente_1", "Cliente_2", ..., "Cliente_1000"]

custos = {("Fabrica_1", "Produto_1"): 15.0, ...}
custo_frete = {("Fabrica_1", "Cliente_1"): 5.0, ...}
capacidade_fabricas = {"Fabrica_1": 5000, ...}
demanda_clientes = {"Cliente_1": {"Produto_1": 10, ...}, ...}
rendimento = {("Fabrica_1", "Produto_1"): 0.95, ...}
lote_minimo = {("Fabrica_1", "Produto_1"): 20, ...}

🛠 Dependências

Certifique-se de ter as seguintes dependências instaladas:

  • Python 3.x
  • PuLP
  • Pandas

Instale-as usando pip:

pip install requirements.txt

🚀 Uso

  1. Clone este repositório:

Apenas rode cada uma das celulas do notebook.

📈 Saída

Após executar o script, você obterá:

  • Status da Otimização: Se a otimização foi bem-sucedida.
  • Custos Totais: Custo total por fábrica e custos de produção otimizados gerais.
  • Resultados Detalhados: Um DataFrame com resultados detalhados, incluindo quantidades de produção e custos para cada combinação fábrica-produto-cliente.

Exemplo de Saída

Status da otimização: Ótimo
Custo total por fábrica:
Fabrica_1: 12345.67
...
Total Otimizado produzido por fábrica:
Fabrica_1: 5678.90
...
Resultados Detalhados:

Os resultados detalhados serão impressos e também podem ser exportados para um arquivo Excel na pasta output para análise posterior.

Feito com 🧠 por Vitor Tatekawa