<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Orkun Berk on Medium]]></title>
        <description><![CDATA[Stories by Orkun Berk on Medium]]></description>
        <link>https://medium.com/@orkunberkyuzbasioglu?source=rss-27f80ecd2787------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*O4GAbE3s5sUcQAuM</url>
            <title>Stories by Orkun Berk on Medium</title>
            <link>https://medium.com/@orkunberkyuzbasioglu?source=rss-27f80ecd2787------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 04:02:13 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@orkunberkyuzbasioglu/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Türkiye Geçmiş Saatlik Hava Durumu Verileri [1]]]></title>
            <link>https://orkunberkyuzbasioglu.medium.com/t%C3%BCrkiye-ge%C3%A7mi%C5%9F-saatlik-hava-durumu-verileri-1-71358df1caeb?source=rss-27f80ecd2787------2</link>
            <guid isPermaLink="false">https://medium.com/p/71358df1caeb</guid>
            <category><![CDATA[scraping]]></category>
            <category><![CDATA[noaa]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[turkey]]></category>
            <dc:creator><![CDATA[Orkun Berk]]></dc:creator>
            <pubDate>Sat, 05 Mar 2022 18:46:28 GMT</pubDate>
            <atom:updated>2022-03-05T18:49:12.421Z</atom:updated>
            <content:encoded><![CDATA[<h3>1. Verilerin İndirilmesi</h3><p>Hava durumu verileri, perakende, ulaşım, fmcg gibi bir çok sektörde karar almada büyük önem arz ediyor; fakat bu verilere ulaşması pek kolay olmayabiliyor. Bu yazımızda <a href="https://www.linkedin.com/in/okanyurt/">Okan Yurt</a> ile beraber, Türkiye’nin saatlik geçmiş hava durumu verilerini, <a href="https://www.noaa.gov/">NOAA</a>*’dan indiren bir python script’inden bahsedeceğiz. Amacımız bu script’i geliştirip, Türkiye’deki NOAA’da yer alan lokasyonlardan, kullanıcı tarafından seçilen bölge/şehir için geçmiş hava durumu verisini indirip, temizleyip, veri tabanına yazan bir program oluşturmak. Projenin kodlarına <a href="https://github.com/orkunberk/NOAAhourlyweather">github </a>repomuzdan erişebilirsiniz.</p><p>Projenin ihtiyaç duyduğu kütüphaneleri <a href="https://stackoverflow.com/questions/7225900/how-can-i-install-packages-using-pip-according-to-the-requirements-txt-file-from">requirements</a> dosyasından yükleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/254/1*YWtPZmMPCOtp15LNYo4PbQ.jpeg" /><figcaption>1. Gerekli kütüphaneleri yükleme</figcaption></figure><p>Gerekli kütüphaneleri yükledikten sonra, programı çalıştırdığınızda, program size hangi seneler için hava durumu verisini çekmek istediğinizi soracak, sene aralıklarının (başlangıç yılı-bitiş yılı)seçimini yaptıktan sonra da işlem detaylarının terminal’de görmek isteyip istemediğinizi soracak:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/461/1*tXCsEPG11yDBcgWrQqMXKw.jpeg" /><figcaption>2.Programın çalışması</figcaption></figure><p>Seçimleri yaptıktan sonra, program ilk olarak çalıştığı dizinde <strong>/data</strong> klasörünü oluşturup <strong>NOAA</strong>’da Türkiye’den bulabildiği lokasyonlar için verileri, <strong>bölgeid_sene</strong> biçiminzde csv dosyalarına yazmaya başlayacak. Belirtilen yıllardaki tüm şehirler için veriler alındıktan sonra da program sonlanacak.</p><p><strong>NOAA </strong>hizmet verdiği lokasyonlar için çok detaylı bir hava durumu verisi sunuyor. Bu veriler sıcaklık ve nem dışında lokasyon bazında bir çok veriyi içeriyor; fakat kendine özel bir veri kodlama şeması var. Önümüzdeki yazıda bu veriyi temizlerken dosyadaki alanlar için bir veri sözlüğü sağlayacağız.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_q-dqkQ4yUbUoHg_2snDgw.png" /><figcaption>3. İndirilen Hava Durumu Dosyaları Örneği</figcaption></figure><p>Herhangi bir sorunuz olursa, bizimle iletişime geçebilirsiniz.</p><p><a href="https://medium.com/@okan.yurt">Okan Yurt</a><br><a href="https://www.linkedin.com/in/orkunberk/">Orkun Berk Yüzbaşıoğlu</a></p><p>*<a href="https://eksisozluk.com/noaa--504514"><strong>NOAA</strong></a>: National Oceanic and Atmospheric Administration / Ulusal Okyanus ve Atmosfer Dairesi.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=71358df1caeb" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[PuLP ile Doğrusal Optimizasyon 1]]></title>
            <link>https://orkunberkyuzbasioglu.medium.com/pulp-ile-do%C4%9Frusal-optimizasyon-1-aaa401853038?source=rss-27f80ecd2787------2</link>
            <guid isPermaLink="false">https://medium.com/p/aaa401853038</guid>
            <category><![CDATA[python]]></category>
            <category><![CDATA[optimization]]></category>
            <category><![CDATA[optimizasyon]]></category>
            <dc:creator><![CDATA[Orkun Berk]]></dc:creator>
            <pubDate>Sun, 28 Mar 2021 22:49:56 GMT</pubDate>
            <atom:updated>2021-03-29T09:19:51.476Z</atom:updated>
            <content:encoded><![CDATA[<p>Bu yazımda python’da optimizasyon problemlerini modellemeye ve çözmeye yarayan PuLP kütüphanesinin genel kullanımından bahsedeceğim. 2 farklı optimizasyon problemi için de açık form ve kapalı formda PuLP ile problemi pythonda modellemeyi ve çözmeyi göstereceğim.</p><p><a href="https://pypi.org/project/PuLP">PuLP</a> doğrusal optimizasyon problemlerini modellemeye yarayan bir python kütüphanesidir. Modelleri çözmek için varsayılan çözücü olarak CBC çözücüsünü kullanır. Ayrıca, CPLEX, COIN-OR, GUROBI ve XPRESS gibi ticari optimizasyon çözücülerini de kolayca çağırabilir. Bunların yanı sıra PuLP, MPS ve LP dosyaları oluşturmada da kullanılabilir.</p><h4>Kurulum</h4><p><a href="https://pypi.org/project/PuLP/">pip</a> aracılığıyla pip install pulp komutuyla kurulabilir. <a href="https://anaconda.org/conda-forge/pulp">conda</a> ile kurmak içinse conda install -c conda-forge pulp komutu kullanılabilir.</p><h4>PuLP Metodları ve Fonksiyonları</h4><p><strong>Model Oluşturma</strong></p><p>PuLP’ta yeni bir problem objesini LpProblem() fonksiyonuyla tanımlarız.</p><p><strong>Örnek:</strong> Amaç fonksiyonu minimizasyon olan Problem1&#39;i aşağıdaki ifadeyle tanımlayabiliriz:</p><pre>model <strong>=</strong> LpProblem(&quot;Problem1&quot;, LpMinimize)</pre><p><strong>Karar Değişkeni Tanımlama</strong></p><p>PuLP’ta yeni değişkenler LpVariable() fonksiyonuyla tanımlanır. 0 ile 3 arasında reel değerler alan bir x değişkenini</p><pre>x <strong>=</strong> LpVariable(&quot;x&quot;, 0, 3)</pre><p>ifadesiyle modele ekleyebiliriz.</p><p><strong>Kısıt Oluşturma</strong></p><p>Karar değişkenlerinden kısıtlar oluşturup modele eklemek içinse modelDeğişkeni += operatörü kullanılır.</p><pre>model <strong>+=</strong> x <strong>+</strong> y <strong>&lt;=</strong> 2</pre><p><strong>Amaç Fonksiyonu Oluşturma</strong></p><p>Karar değişkenlerinden oluşturulan bir ifade, sağ taraf (rhs) içermiyorsa, modelin amaç fonksiyonu olur.</p><pre>model <strong>+=</strong> <strong>-</strong>4 <strong>*</strong> x <strong>+</strong> y</pre><p><strong>Modeli Çözme</strong></p><p>Optimizasyon modelini varsayılan çözücü ile çözmek için solve() metodu kullanılır.</p><pre>status <strong>=</strong> prob.solve()</pre><p><strong>Çözümün Durumunu ve Değerlerini gösterme:</strong></p><p>Problem çözümünün durumunu (optimal, infeasible) LpStatus[status] komutuyla görebiliriz.</p><pre>LpStatus[status]<br><strong>&gt;</strong> &#39;Optimal&#39;</pre><p>Karar değişkenlerinin aldığı değeriyse value() fonksiyonu veya karar değişkeninin .varValue niteliği ile görebiliriz.</p><h4>1. Açık form modelleme örneği</h4><p>A ürününün bir asortisi 6 parça, B ürününün bir asortisiyse 5 parça ürün içeriyor. Sevkiyat kısıtı gereği bir seferde 60 adetten fazla ürün mağazaya gönderilemiyor. Mağazada, A ürününün bir asortisi 10 birim alan, B ürününün bir asortisiyse 20 birim alan kaplıyor. Mağazada bu ürünler için ayrılan toplam sergileme alanı kapasitesiyse 150 birim. Bunların yanı sıra A ürününden depoda toplam 6 asorti var. A ürününün bir asortisi 5 tl, B ürününün bir asortisiyse 4.5 tl kar getiriyorsa, en yüksek karı veren asorti karışımını bulunuz.</p><h4>Model:</h4><p><strong>Karar Değişkenleri:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/348/1*VgrQdbXLOmYLC33m1E9GWg.png" /><figcaption><strong>Model 1</strong></figcaption></figure><h4>Python Uygulaması:</h4><pre><strong>from</strong> pulp <strong>import</strong> <strong>*</strong></pre><pre><em># Problemi tanimlama</em><br>model <strong>=</strong> LpProblem(&quot;XYZ_Kar_En_İyileştirme&quot;, LpMaximize)</pre><pre><em># Karar degiskenleri</em><br>A <strong>=</strong> LpVariable(&#39;A&#39;, lowBound<strong>=</strong>0, upBound<strong>=None</strong>, cat<strong>=</strong>&#39;Integer&#39;)<br>B <strong>=</strong> LpVariable(&#39;B&#39;, lowBound<strong>=</strong>0, upBound<strong>=None</strong>, cat<strong>=</strong>&#39;Integer&#39;)</pre><pre><em># Amac Fonksiyonu</em><br>model <strong>+=</strong> 5 <strong>*</strong> A <strong>+</strong> 4.5 <strong>*</strong> B</pre><pre><em># Kisitlar</em><br>model <strong>+=</strong> 6 <strong>*</strong> A <strong>+</strong> 5 <strong>*</strong> A <strong>&lt;=</strong> 60<br>model <strong>+=</strong> 10 <strong>*</strong> A <strong>+</strong> 20 <strong>*</strong> B <strong>&lt;=</strong> 150<br>model <strong>+=</strong> A <strong>&lt;=</strong> 6</pre><pre><em># Modeli Cozdurme</em><br>status <strong>=</strong> model.solve()</pre><pre>print(LpStatus[status])<br><strong>&gt;</strong>Optimal</pre><pre><em>#Cozum vektoru</em><br>print(&#39;A urununden gonderilecek asorti sayisi: {}&#39;.format(A.varValue))<br><strong>&gt;</strong>A urununden gonderilecek asorti sayisi: 5.0</pre><pre>print(&#39;B urununden gonderilecek asorti sayisi: {}&#39;.format(B.varValue))<br><strong>&gt;</strong>B urununden gonderilecek asorti sayisi: 5.0</pre><p><strong>Dictionary Veri Yapısı</strong><br><a href="https://www.w3schools.com/python/python_dictionaries.asp">Dictionary</a>, birçok dilde bulunan associative array’lerin python dilindeki ismidir. Dictionary, verileri depolamak ve erişmek için kullanılan bir veri yapısıdır. Üyelik kontrolündeki hızı yaklaşık olarak O(1) olduğu için, bu amaçla kullanılan en hızlı veri <a href="https://stackoverflow.com/questions/40694470/is-there-anything-faster-than-dict">yapısıdır</a>. PuLP kütüphanesinde, belirli kümeler üzerinde birçok karar değişkeni tanımlamak gerekli olduğunda, dictonary ve list comprehension yapıları birlikte kullanılabilir. PuLP, birden çok değişkeni tek seferde tanımlamak istediğimizde dictionary yapısını kullanıyor.</p><p>PuLP ile modellemede sık kullanılan iki örnekse</p><ul><li>Tek anahtarla (key) mağazaların taleplerini döndürme</li><li>tuple’ın anahtar olarak kullanıldığı ve o karar değişkeni seçmede kullanılabilecek python ifadeleri aşağıdaki gibidir:</li></ul><pre><em># key:value ikilileri</em><br>d <strong>=</strong> {&#39;T100&#39;: 1800, &#39;T101&#39;:1200, &#39;T102&#39;:1100, &#39;T103&#39;:1000}</pre><pre>display(d[&#39;T103&#39;])<br><strong>&gt;</strong>1000</pre><pre><em># key olarak tuple kullanımı</em><br>x <strong>=</strong> {(&#39;K&#39;,&#39;0&#39;):&#39;XK0&#39;, (&#39;K&#39;,&#39;1&#39;):&#39;XK1&#39;, (&#39;K&#39;,&#39;2&#39;):&#39;XK2&#39;, (&#39;K&#39;,&#39;3&#39;):&#39;XK3&#39;, (&#39;I&#39;,&#39;0&#39;):&#39;XI0&#39;, (&#39;I&#39;,&#39;1&#39;):&#39;XI1&#39;, (&#39;I&#39;,&#39;2&#39;):&#39;XI2&#39;, (&#39;I&#39;,&#39;3&#39;):&#39;XI3&#39;}</pre><pre>display(x[(&#39;K&#39;,&#39;0&#39;)])<br><strong>&gt;</strong>&#39;XK0&#39;</pre><p><strong>Liste Oluşturma (List Comprehension) Yapısı</strong></p><p><a href="https://docs.python.org/3/tutorial/datastructures.html#list-comprehensions">List comprehension</a>, python’da liste, tuple gibi bir iterable’ın elemanlarına belli bir operasyonu veya şartı uygulayarak liste oluşturmanın hızlı ve kısa bir yoludur. List comprehension kullanarak PuLP’ta amaç fonksiyonu ve kısıtlarımızı belli kümeler için kolayca oluşturabiliriz.</p><p>List comprehension’ın pulp ile modellemede işe yarayacağı durumlar için:</p><ul><li>1&#39;den 5&#39;e kadar tam sayıların karesinden liste oluşturma</li><li>Bir dictionary’den değerleri alıp, bir liste oluşturan</li></ul><p>iki farklı örneği aşağıdaki gibidir:</p><pre>print([i <strong>**</strong> 2 <strong>for</strong> i <strong>in</strong> [1,2,3,4,5]])<br><strong>&gt;</strong> [1, 4, 9, 16, 25]</pre><pre>print([d[i] <strong>for</strong> i <strong>in</strong> [&#39;T100&#39;, &#39;T101&#39;, &#39;T102&#39;, &#39;T103&#39;]])<br><strong>&gt;</strong> [1800, 1200, 1100, 1000]</pre><h4>2.Ulaştırma problemi / Transportation Problem</h4><p><a href="https://www.mygreatlearning.com/blog/transportation-problem-explained/">Ulaştırma Problemi</a>, birçok şirketin karşılaştığı ve bir ürünün, belli üretim/depolama noktalarından belli tüketim/talep noktalarına en uygun biçimde gönderilmesini ele alan temel bir optimizasyon problemidir. Problemin çözümünde tedarik ve talep kısıtlarının da sağlanıyor olması gereklidir.</p><p><strong>Örnek:</strong></p><p>L şirketi önümüzdeki ay, 2 bölge deposundan, 4 mağazasına yaptığı dağıtım için en ekonomik çözümü aramaktadır. Bölge depoları Konya ve İstanbulda yer almaktır. Bölge depolarından mağazalarına bir birim ürün gönderme maliyetleri tablo 1&#39;deki gibidir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/271/1*9xmeQ_z6S_9KVqAvo1K2NA.png" /><figcaption><strong>Tablo 1</strong></figcaption></figure><p>Mağazaların talepleriyse tablo2&#39;de verilmiştir,</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/190/1*DPzsIEOyHixvaJMXjuxNyg.png" /><figcaption><strong>Tablo 2</strong></figcaption></figure><p>L şirketi için mağazaların taleplerini karşılayan en ucuz çözümü bulunuz.</p><h4>Model:</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/478/1*zS4SZCRbOH5nhzbw_vUMDg.png" /><figcaption><strong>Model 2</strong></figcaption></figure><h4>python uygulaması:</h4><pre><em># model parametreleri</em><br>stores <strong>=</strong> [&#39;T100&#39;, &#39;T101&#39;, &#39;T102&#39;, &#39;T103&#39;]<br>store_demand <strong>=</strong> [1800, 1200, 1100, 1000]<br>demand <strong>=</strong> dict(zip(stores, store_demand))</pre><pre>costs <strong>=</strong> {(&#39;Konya&#39;, &#39;T100&#39;): 232, <br>            (&#39;Konya&#39;, &#39;T101&#39;): 230,<br>            (&#39;Konya&#39;, &#39;T102&#39;): 212,<br>            (&#39;Konya&#39;, &#39;T103&#39;): 280,<br>            (&#39;Istanbul&#39;, &#39;T100&#39;): 211, <br>            (&#39;Istanbul&#39;, &#39;T101&#39;): 240,<br>            (&#39;Istanbul&#39;, &#39;T102&#39;): 232,<br>            (&#39;Istanbul&#39;, &#39;T103&#39;): 300}</pre><pre>warehouse <strong>=</strong> [&#39;Istanbul&#39;, &#39;Konya&#39;]</pre><pre><em># karar degiskenleri</em><br>XK0 <strong>=</strong> LpVariable(&#39;XK0&#39;, lowBound<strong>=</strong>0, cat<strong>=</strong>&#39;Integer&#39;)<br>XK1 <strong>=</strong> LpVariable(&#39;XK1&#39;, lowBound<strong>=</strong>0, cat<strong>=</strong>&#39;Integer&#39;)<br>XK2 <strong>=</strong> LpVariable(&#39;XK2&#39;, lowBound<strong>=</strong>0, cat<strong>=</strong>&#39;Integer&#39;)<br>XK3 <strong>=</strong> LpVariable(&#39;XK3&#39;, lowBound<strong>=</strong>0, cat<strong>=</strong>&#39;Integer&#39;)<br>XI0 <strong>=</strong> LpVariable(&#39;XI0&#39;, lowBound<strong>=</strong>0, cat<strong>=</strong>&#39;Integer&#39;)<br>XI1 <strong>=</strong> LpVariable(&#39;XI1&#39;, lowBound<strong>=</strong>0, cat<strong>=</strong>&#39;Integer&#39;)<br>XI2 <strong>=</strong> LpVariable(&#39;XI2&#39;, lowBound<strong>=</strong>0, cat<strong>=</strong>&#39;Integer&#39;)<br>XI3 <strong>=</strong> LpVariable(&#39;XI3&#39;, lowBound<strong>=</strong>0, cat<strong>=</strong>&#39;Integer&#39;)</pre><pre>x <strong>=</strong> {(&#39;Konya&#39;, &#39;T100&#39;): XK0, <br>            (&#39;Konya&#39;, &#39;T101&#39;): XK1,<br>            (&#39;Konya&#39;, &#39;T102&#39;): XK2,<br>            (&#39;Konya&#39;, &#39;T103&#39;): XK3,<br>            (&#39;Istanbul&#39;, &#39;T100&#39;): XI0,     <br>            (&#39;Istanbul&#39;, &#39;T101&#39;): XI1,<br>            (&#39;Istanbul&#39;, &#39;T102&#39;): XI2,<br>            (&#39;Istanbul&#39;, &#39;T103&#39;): XI3}</pre><pre><em># Modeli Tanımlama</em><br>model2 <strong>=</strong> LpProblem(&quot;Minimize Transportation Costs&quot;, LpMinimize)</pre><pre><em># Hedef Fonksiyonu</em><br>model2 <strong>+=</strong> lpSum([costs[(w, s)] <strong>*</strong> x[(w, s)] <strong>for</strong> s <strong>in</strong> stores <strong>for</strong> w <strong>in</strong> warehouse])</pre><pre><em># Kısıtlar, her magaza icin talep karsilanmali</em><br><strong>for</strong> s <strong>in</strong> stores:<br>    model2 <strong>+=</strong> lpSum([x[(w, s)] <strong>for</strong> w <strong>in</strong> warehouse]) <strong>==</strong> demand[s]</pre><pre><em># modeli cozdurme</em><br>print(model2.solve())<br><strong>&gt;</strong> 1</pre><pre><em># en iyi cozumdeki sonuclar</em><br>print(&quot;Send from Istanbul to T100 {} of products&quot;.format(XI0.varValue))<br><strong>&gt;</strong> Send <strong>from</strong> Istanbul to T100 1800.0 of products</pre><pre><em># Hedef fonksiyonunun optimal degeri</em><br>print(&quot;Optimal Total Cost {} TL&quot;.format(value(model2.objective)))<br><strong>&gt;</strong> Optimal Total Cost 1169000.0 TL</pre><h4>3. LpVariable.dicts kullanımı ve Çözüm Vektörü</h4><p>Modelde, belli kümeler üzerinde karar değişkenlerini kapalı formda tanımlamak için LpVariable.dicts metodunu kullanabiliriz. Çözüm vektörüne ulaşmak içinse model.variables() metodunu çağırıp, karar değişkenlerinin optimal çözümdeki değerlerine ulaşabiliriz.</p><pre><em># model parametreleri</em><br>warehouse <strong>=</strong> [&#39;Istanbul&#39;, &#39;Konya&#39;]<br>stores <strong>=</strong> [&#39;T100&#39;, &#39;T101&#39;, &#39;T102&#39;, &#39;T103&#39;]<br>store_demand <strong>=</strong> [1800, 1200, 1100, 1000]</pre><pre>demand <strong>=</strong> dict(zip(stores, store_demand))</pre><pre>costs <strong>=</strong> {(&#39;Konya&#39;, &#39;T100&#39;): 232, <br>            (&#39;Konya&#39;, &#39;T101&#39;): 230,<br>            (&#39;Konya&#39;, &#39;T102&#39;): 212,<br>            (&#39;Konya&#39;, &#39;T103&#39;): 280,<br>            (&#39;Istanbul&#39;, &#39;T100&#39;): 211, <br>            (&#39;Istanbul&#39;, &#39;T101&#39;): 240,<br>            (&#39;Istanbul&#39;, &#39;T102&#39;): 232,<br>            (&#39;Istanbul&#39;, &#39;T103&#39;): 300}</pre><pre><em># karar degiskenleri</em><br>index <strong>=</strong> [(w, s) <strong>for</strong> w <strong>in</strong> warehouse <strong>for</strong> s <strong>in</strong> stores]<br>x <strong>=</strong> LpVariable.dicts(&#39;num_of_shipments&#39;, index, lowBound<strong>=</strong>0, cat<strong>=</strong>&#39;Integer&#39;)</pre><pre><em># Modeli Tanımlama</em><br>model3 <strong>=</strong> LpProblem(&quot;Minimize Transportation Costs&quot;, LpMinimize)</pre><pre><em># Hedef Fonksiyonu</em><br>model3 <strong>+=</strong> lpSum([costs[(w, s)] <strong>*</strong> x[(w, s)] <strong>for</strong> s <strong>in</strong> stores <strong>for</strong> w <strong>in</strong> warehouse])</pre><pre><em># Kısıtlar, her magaza icin talep karsilanmali</em><br><strong>for</strong> s <strong>in</strong> stores:<br>    model2 <strong>+=</strong> lpSum([x[(w, s)] <strong>for</strong> w <strong>in</strong> warehouse]) <strong>==</strong> demand[s]</pre><pre><em># # modeli cozdurme</em><br>model3.solve()<br><strong>&gt;</strong> 1</pre><pre><em># Çözümün Durumu</em><br>print(LpStatus[model3.status])<br><strong>&gt;</strong> Optimal</pre><pre><em># Çözüm Vektörü</em><br><strong>for</strong> v <strong>in</strong> model3.variables():<br>    print(v.name, &quot;=&quot;, v.varValue)</pre><pre><strong>&gt;</strong> num_of_shipments_(&#39;Istanbul&#39;,_&#39;T100&#39;) <strong>=</strong> 0.0<br><strong>&gt;</strong> num_of_shipments_(&#39;Istanbul&#39;,_&#39;T101&#39;) <strong>=</strong> 0.0<br><strong>&gt;</strong> num_of_shipments_(&#39;Istanbul&#39;,_&#39;T102&#39;) <strong>=</strong> 0.0<br><strong>&gt;</strong> num_of_shipments_(&#39;Istanbul&#39;,_&#39;T103&#39;) <strong>=</strong> 0.0<br><strong>&gt;</strong> num_of_shipments_(&#39;Konya&#39;,_&#39;T100&#39;) <strong>=</strong> 0.0<br><strong>&gt;</strong> num_of_shipments_(&#39;Konya&#39;,_&#39;T101&#39;) <strong>=</strong> 0.0<br><strong>&gt;</strong> num_of_shipments_(&#39;Konya&#39;,_&#39;T102&#39;) <strong>=</strong> 0.0<br><strong>&gt;</strong> num_of_shipments_(&#39;Konya&#39;,_&#39;T103&#39;) <strong>=</strong> 0.0</pre><p>Kullanılan kodları <a href="https://github.com/orkunberk/pulp">https://github.com/orkunberk/pulp</a> adresinden klonlayabilirsiniz.</p><p>Bu yazı dizisine başlamam için bana hem fikir hem de ilham veren <a href="https://www.linkedin.com/in/%C5%9F%C3%BCkr%C3%BC-imre-phd-cand-8b779141/">Şükrü İmre</a> ve <a href="https://www.linkedin.com/in/suyunu/">Sabri Suyunu</a>’ya en içten teşekkürlerimi sunuyorum.</p><h3>Kullanılan Kaynaklar:</h3><ul><li><a href="https://pypi.org/project/PuLP/">https://pypi.org/project/PuLP/</a></li><li><a href="https://coin-or.github.io/pulp/">https://coin-or.github.io/pulp/</a></li><li><a href="https://github.com/coin-or/pulp">https://github.com/coin-or/pulp</a></li><li><a href="https://learn.datacamp.com/courses/supply-chain-analytics-in-python">https://learn.datacamp.com/courses/supply-chain-analytics-in-python</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=aaa401853038" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>