#EJERCICIO 2.4
#importo librerias 
from pulp import LpMaximize, LpProblem, LpStatus, lpSum, LpVariable, LpMinimize
import pandas as pd
import matplotlib.pyplot as plt
from scipy.optimize import linprog
import numpy as np

#Creo el modelo
model= LpProblem (name="Pullovers", sense=LpMaximize)

#Inicializo las variables
A=LpVariable(name="A", 
             lowBound=0)#Siendo A: cantidad de pullovers A
B=LpVariable(name="B", 
             lowBound=0)#Siendo B: cantidad de pullovers B
B1=LpVariable(name="B1", 
             lowBound=0)#Siendo B1: cantidad de pullovers B aproducirse en la maquina 1
B2=LpVariable(name="B2", 
             lowBound=0)#Siendo B2: cantidad de pullovers B aproducirse en la maquina 2
C=LpVariable(name="C", 
             lowBound=0)#Siendo B1: cantidad de pullovers C


#Determino las restricciones
model+= (B1 + B2 == B, "Balance B")
model+= (5*A+ 6*B1 <= 80, "Maq 1")
model+= (4*B2+6*C <=80, "Maq 2")
model+= (1.6*A+1.2*B <=20, "Materia Prima M")
model+= (1.8*B <=36, "Materia Prima N")
model+= (B >=10, "Compromiso de Venta")

#Definimos la funcion objetivo la cual queremos maximizar
model+=1000*A+1500*B+1800*C

#Resolvemos el problema de programacion lineal
status = model.solve()

#Imprimo la solucion
print(f"status:{model.status},{LpStatus[model.status]}")#tipo de solucion
print(f"objective:{model.objective.value()}")#Beneficio maximo sujeto a las restricciones
for var in model.variables():
    print(f"{var.name}:{var.value()}")#Valores de solucion de las variables
for name, constraint in model.constraints.items():
    print(f"{name}:{constraint.value()}")