定义一个能实现linprog功能的简单函数

线性规划（Linear Programming，简称LP）是一种优化技术，用于求解一组线性不等式或方程的最大值或最小值问题。在Python中，你可以使用一些数学优化库如`scipy.optimize.linprog`来实现这个功能。下面是一个简单的示例函数，它使用了`scipy`库的`linprog`方法：

from scipy.optimize import linprog

def solve_linear_program(objective_vector, constraint_matrix, constraint_bodies, bounds=None):
    # objective_vector: 目标函数的系数向量，例如 [c_0, c_1, ...]
    # constraint_matrix: 约束条件的系数矩阵，每一列代表一个约束条件
    # constraint_bodies: 约束条件的常数项列表，长度应等于constraint_matrix的列数
    # bounds: 可选，每个变量的上下限，格式为二维列表 [[lower_bound_0, upper_bound_0], ..., [lower_bound_n, upper_bound_n]]

    if bounds is None:
        bounds = [(None, None) for _ in range(len(objective_vector))]  # 如果没提供，默认所有变量无界

    res = linprog(objective_vector, A_ub=constraint_matrix, b_ub=constraint_bodies, bounds=bounds)
    
    if res.success:
        return {'solution': res.x, 'optimal_value': res.fun}
    else:
        return {'status': res.status, 'message': res.message}

# 示例用法：
objective = [-1, -2]  # 求解最大化问题，目标函数为 x - 2y
constraints = [
    [1, -1],  # x - y <= 1
    [-2, 1]   # -2x + y <= 1
]
bodies = [1, 1]  # 约束的右侧常数
solution = solve_linear_program(objective, constraints, bodies)