python 线性规划最优解

在Python中，可以使用SciPy库来解决线性规划问题。下面是一个简单的例子，演示如何使用SciPy库来求解线性规划问题的最优解：

from scipy.optimize import linprog

# 定义线性规划问题的目标函数和约束条件
obj = [-1, 4]  # 目标函数的系数
lhs_eq = [[1, 1], [2, 1]]  # 左侧等式约束条件的系数
rhs_eq = [5, 8]  # 右侧等式约束条件的系数
lhs_ieq = [[-1, 1], [1, 2]]  # 左侧不等式约束条件的系数
rhs_ieq = [1, 2]  # 右侧不等式约束条件的系数

# 求解线性规划问题的最优解
result = linprog(c=obj, A_eq=lhs_eq, b_eq=rhs_eq, A_ub=lhs_ieq, b_ub=rhs_ieq)

# 输出最优解
print('最优解为：', result.fun)
print('取得最优解时x的取值为：', result.x)

上述代码中，我们定义了一个线性规划问题的目标函数和约束条件，并使用linprog函数来求解最优解。其中，obj表示目标函数的系数，lhs_eq和rhs_eq表示等式约束条件的系数，lhs_ieq和rhs_ieq表示不等式约束条件的系数。最后，我们输出了最优解和取得最优解时x的取值。