已知线性规划问题 设计对偶单纯形法的python算法，求解线性规划问题的最优解和最优目标函数值。

下面是使用 Python 实现对偶单纯形法的代码，用于求解线性规划问题的最优解和最优目标函数值。

import numpy as np

def dual_simplex(c, A, b):
    m, n = A.shape
    # 构造对偶问题的系数矩阵
    c_d = -b
    A_d = -A.T
    b_d = -c
    # 初始可行解
    x_b = np.zeros(m)
    y = np.zeros(n)
    # 对偶单纯形法迭代
    while True:
        # 计算对偶问题的目标函数值
        obj_d = np.dot(c_d, x_b)
        # 计算对偶问题的松弛变量
        s = np.dot(y, A_d) + c_d
        # 判断是否达到最优解
        if np.all(s <= 0):
            # 计算原问题的最优解和最优目标函数值
            x = np.dot(np.linalg.inv(A[:, x_b]), b)
            obj = np.dot(c, x)
            return x, obj
        # 选择非基变量
        j = np.argmax(s)
        # 判断原问题是否无界
        if np.all(A[:, j] <= 0):
            return None, None
        # 计算对偶问题的新基变量和新基可行解
        x_b_new = np.argmin(b / A[:, j])
        y = y + s[j] / A[:, j] * (x_b_new - x_b)
        x_b[x_b == x_b[x_b_new]] = j
        x_b[x_b_new] = j

其中，参数 $c$、$A$ 和 $b$ 分别是线性规划问题的目标函数系数、约束条件系数和约束条件常数向量。函数 `dual_simplex` 返回原问题的最优解和最优目标函数值，如果原问题无界，则返回 `None`。

需要注意的是，上述代码是针对标准形式的线性规划问题，如果问题不是标准形式，需要先将其转化为标准形式。同时，此代码没有对输入数据的正确性进行验证，需要在使用时保证输入数据正确。