线性规划python代码

当涉及到线性规划问题时，Python 提供了许多库来实现求解，其中最常用的是 `scipy.optimize.linprog` 函数。以下是一个简单的线性规划问题的示例代码：

from scipy.optimize import linprog

# 定义线性规划问题的目标函数系数
c = [-1, -2]

# 定义约束条件的系数矩阵
A = [[1, 1], [1, -1]]
b = [4, 1]

# 定义变量的上下界
x0_bounds = (0, None)
x1_bounds = (0, None)

# 使用 linprog 求解线性规划问题
res = linprog(c, A_ub=A, b_ub=b, bounds=[x0_bounds, x1_bounds])

print('最优解:', res.x)
print('目标函数值:', res.fun)

在上面的示例代码中，我们首先定义了线性规划问题的目标函数系数 `c`、约束条件的系数矩阵 `A` 和约束条件的右侧向量 `b`。然后，我们通过定义变量的上下界 `x0_bounds`、`x1_bounds` 来限制变量的取值范围。最后，我们使用 `linprog` 函数求解线性规划问题，并打印出最优解和目标函数值。

需要注意的是，`scipy.optimize.linprog` 函数默认求解的是最小化问题，如果需要求解最大化问题，可以将目标函数系数取相反数。另外，`linprog` 函数还可以设置更多的参数来控制求解过程，如设置求解方法、容忍度等。更多详细信息可以参考 `scipy` 官方文档。