如何使用Scipy库中的optimize模块来解决线性规划问题？能否给出一个关于linprog函数的基本用法示例及其参数解释？

在Python的Scipy库中，`optimize.linprog`函数主要用于求解线性规划问题。线性规划是一种优化问题，它的目标是最小化（或最大化）一个线性函数，同时满足一系列线性约束条件。

`optimize.linprog`的基本用法示例如下：

from scipy.optimize import linprog

# 定义目标函数系数矩阵c，以及变量x的列向量
c = [-2, -3]  # 目标函数是要最小化的，所以负数表示最小值

# 约束条件的A矩阵（左侧），b矩阵（右侧）
A = [[4, 1], [1, 3]]  # A[i][j]表示第i个约束对应的x[j]的系数
b = [5, 6]  # 每个约束的右端点值

# 变量的上下界限制，None表示无界限
bounds = [(0, None), (0, None)]  # x[0] >= 0, x[1] >= 0

# 使用默认的‘revised simplex’算法求解
res = linprog(c, A_ub=A, b_ub=b, bounds=bounds)

# 输出结果
print("最优解：", res.x)
print("最小值：", res.fun)

参数解释：
- `c`: 目标函数的系数向量。
- `A_ub` 和 `b_ub`: 线性不等式（大于等于）约束的系数矩阵和常数向量。
- `bounds`: 变量的边界，是一个二维列表，每个元素对包含变量的上界和下界。
- 可选的其他参数如`method`用于指定求解算法（默认为"revised simplex"），`options`用于设置算法的选项。