已知线性规划 通过线性规划的基本可行解确定最优解的方法，编程实现它的最优解。

线性规划问题可以使用单纯形法进行求解，其中基本可行解是单纯形法求解的起点。一般情况下，我们可以通过求解线性规划问题的初始单纯形表来得到基本可行解。

具体实现步骤如下：

1. 将线性规划问题转换成标准形式。

2. 构造初始单纯形表，包含基本变量和非基本变量。

3. 选取入基变量和出基变量，使用单纯形法进行迭代，直到得到最优解。

4. 输出最优解及对应的决策变量取值。

下面是一个示例代码实现：

import numpy as np

def simplex(c, A, b):
    # 将线性规划问题转换成标准形式
    m, n = A.shape
    c = np.concatenate((c, np.zeros(m)))
    A = np.concatenate((A, np.eye(m)), axis=1)
    basis = list(range(n, n + m))

    # 构造初始单纯形表
    table = np.zeros((m + 1, n + m + 1))
    table[0, :-1] = c
    table[1:, :-1] = A
    table[1:, -1] = b

    # 使用单纯形法进行迭代
    while True:
        # 选取入基变量和出基变量
        j = np.argmin(table[0, :-1])
        if table[0, j] >= 0:
            break
        i = np.argmin(table[1:, -1] / table[1:, j]) + 1
        basis[i - 1] = j

        # 更新单纯形表
        table[i, :] /= table[i, j]
        for k in range(m + 1):
            if k != i:
                table[k, :] -= table[k, j] * table[i, :]

    # 输出最优解及对应的决策变量取值
    obj = -table[0, -1]
    sol = np.zeros(n)
    for i, b in enumerate(basis):
        if b < n:
            sol[b] = table[i + 1, -1]
    return obj, sol

其中，输入参数 `c` 是目标函数系数向量，`A` 是约束条件系数矩阵，`b` 是约束条件右端向量。输出参数是最优解和对应的决策变量取值。

注意，该函数只能求解最小化问题，如果需要求解最大化问题，需要将目标函数系数取相反数。