我有以下几点OF
可以最大限度地降低供应链的成本:
mdl.minimize(mdl.sum((cs+ch+cf+cv*d[j])*q[j] for j in arcs) + mdl.sum(α*(eh+et*d[j])*q[j] for j in arcs) + mdl.sum(β*(gh+gt*d[j])*q[j] for j in arcs) + mdl.sum(X[f]*cjf for f in comb))
其中cs, ch, cf, cv, eh, et, gh, gt, cjf, α and β
是一系列常量参数。
d[j]
是在或元组列表中组合的起点i
和终点之间的距离。j
arcs
q[j]
i
是 中起点和终点之间j
的流量变量arcs
。
X[f]
是一个二元变量,用于在目的地打开设施j
,容量为 ,和f
的可能组合在中列出。j
f
comb
第一个constraint 1
确保q[i,j]
来自原产地的流量i
不超过其材料的最大dQ
可用性i
。D[(i, j)]
是一个二进制参数,如果起点和终点1
之间的距离小于或等于阈值,则 的值为。(这个参数帮助我们限制传输距离。)i
j
D[(i, j)]
0
for i in I: mdl.add_constraint(mdl.sum(q[(i, j)]*D[(i, j)] for j in J) <= Qi[i])
第二个constraint 2
确保流向q[i,j]
目的地的流量j
等于目的地开放设施的j
容量与容量f
。
for j in J: mdl.add_constraint(mdl.sum(q[(i, j)]for i in I) == mdl.sum(X[(j,f)] for f in F))
但是,我们需要另一个constraint 3
来确保f
在目的地开放的设施的容量总和j
必须尽可能接近容量的总需求E
。假设有 100 兆瓦的能源需求E = 100
,那么我们希望降低OF
供应成本,同时确保满足需求E
。否则,最小化成本将为 0。这个约束可以表述为:
mdl.add_constraint(mdl.sum(X[j,f]for j in J for f in F) == E)
不幸的是,这个解决方案永远不可行。如果我们替换==
它<=
是可行的,但它的成本最低,而且容量远不及最大。我们不需要这是一个严格的限制,但我们确实希望通过在具有不同容量E
的目的地开设多个设施来尽可能接近。(例如,我们可以有一个 20 兆瓦、一个 5 兆瓦、两个 30 兆瓦和另一个 15 兆瓦的目的地,通过开放 5 个目的地达到 100 兆瓦)j
f
一种方法是强制模型打开N
多个位置j
,但是,我们有一组 128 个位置。要从一系列场景中找到最小成本和最大容量,N=1
意味着N=128
我们需要运行这个模型 128 次。
除了上述约束之外,我们还有 3 个额外的约束:
- 我们只能选择目的地
j
来建造设施,并且只能以一种能力开放f
。 - 要打开的目的地之和
j
大于 0。 - 始发地和目的地
q
之间没有负流i
j
有没有办法:
constraint 3
减少绑定,但仍然尝试在保持成本最低的同时达到目标E
?- 重新
OF
制定以将最小成本与最大容量相结合?
重要的是,我们不想运行模型 128 次。我们要建模选择目的地j
以开设设施并f
相应地选择容量,以最小化总供应成本并最大化装机容量。在我们的案例中,也不太可能只开设一个目的地j
来满足所有需求E
。取而代之的是,我们将有多个容量j
较小的相加方法。f
E