Определите наборы и параметры из CSV-файла, которые будут использоваться в задаче оптимизации максимального количества собранных отходов pyomo

Впервые пользователь Pyomo здесь.

Я пытаюсь построить модель оптимизации, которая максимизирует количество отходов, собираемых в сети переработки отходов, состоящей из клиентов i и центров переработки j. (т. е. максимизировать количество отходов Qij, перетекающих из i в j). Вот математическая модель:

Математическая модель

Я закодировал функцию в блокноте jupyter, которая считывает координаты широты и долготы клиента и центра переработки из двух отдельных файлов csv, используя функцию read_csv. Функция с именем Distance_from вычисляет гаверсинус расстояния между координатами и запускает цикл, который будет анализировать местоположение клиентов один за другим до функции Distance_from. Это генерирует фрейм данных 80x16 RowsxColumns. Вот код этого бита:

#create data file of customers i and recycling centres j
df_cent = pd.read_csv("recycling centres.csv",index_col=[0], header=0)
df_cust = pd.read_csv("customers.csv",index_col=[0], header=0)

# concatenating lat and long to create a consolidated location as accepted by haversine function
df_cent['coordinates'] = list(zip(df_cent.Latitude, df_cent.Longitude))
df_cust['coordinates'] = list(zip(df_cust.Latitude, df_cust.Longitude))

# defining a  function to calculate distance between two locations 
# loc1= location of an existing recycling centre
# loc2= location of customer

def distance_from(loc1,loc2): 
    dist=hs.haversine(loc1,loc2)
    return round(dist,2)

# running a loop which will parse customers location one by one to distance from function 
for _,row in df_cent.iterrows():
    df_cust[row.Name]=df_cust['coordinates'].apply(lambda d:
                                                 distance_from(row.coordinates,d))

Моя проблема в том, что я не выполнил никакой оптимизации в этой функции. Я хочу использовать данные из CSV-файлов для создания наборов и параметров для моей модели Pyomo с помощью AbstractModel(). Я не уверен, что этот метод или ConcreteModel() лучший способ сделать это.

Одно ограничение на задачу оптимизации определяет максимальное расстояние, которое клиент i преодолеет до центра переработки j, причем это максимальное расстояние установлено равным b = 5 км. Мне нужно, чтобы эти данные были прочитаны из CSV-файла или фрейма данных, но я не уверен, что это лучший метод, так как я мог бы также выполнить эту проверку при циклической передаче координат местоположения в функцию Distance_from.

Второе ограничение гарантирует, что общее количество отходов Qij, доставленных в аптеку j, не превысит пропускную способность j, которая также считывается из CSV-файла.

Бинарная переменная решения Xij=1, если клиент i доставляет отходы в центр переработки j, Xij=0 в противном случае

Вот код, который я попытался написать, который будет определять наборы для чтения из CSV-файла, определять целевую функцию и применять ограничения. Он появляется после кода выше. Я не уверен, насколько далеко этот код от того места, где мне нужно быть. Весь код был написан в Jupyter Notebook, но я не думаю, что смогу привести сюда файл или файлы данных csv, если уж на то пошло.

from pyomo.environ import *
import pandas as pd
import haversine as hs

solver = SolverFactory('glpk') #GNU Linear Programming Kit

model = AbstractModel()

#set of customers
model.I = pd.read_csv("customers.csv", index_col = "Number")
#set of recycling centres
model.J = pd.read_csv("recycling centres.csv", index_col = "Name")
#waste generation quantity unit=kg/month
model.Q = pd.read_csv("customers.csv", index_col = "Waste Generation (kg/month)")
#Capacity at recycling centre j unit=kg/month
model.Cj = pd.read_csv("recycling centres.csv", index_col = "Capacity (kg/month)")

#Binary decision Variable X=1 if customer i served by recycling centre j, X=0 otherwise
model.X = Var(model.I, model.J, domain=Binary)
#Maximum distance customer i will travel to recycling facility j unit=km
model.b = 5 

# Objective is to maximise waste collected within network
def waste_(model):
    return sum(model.Q[i,j]*model.X[i,j] for i in model.I for j in model.J)
model.waste = Objective(rule=waste_, sense=maximize)

# Distance from i to j constraint
def distance_(model, i, j):
    return sum(model.d[i,j]*model.X[i,j] for i in model.I for j in model.J) <= model.b
model.distance = Constraint(rule=distance_)

#Capacity constraint
def capacity_(model, i, j):
    return sum(model.d[i,j]*model.X[i,j] for i in model.I for j in model.J) <= model.Cj
model.capacity = Constraint(rule=capacity_)

Заранее спасибо!