编写一个利用两阶段单纯性算法求一般线性规划的程序。

以下是一个简单的实现，假设线性规划的标准形式为：

maximize c^Tx
subject to Ax <= b, x >= 0

其中，c、b 和 A 是已知的系数矩阵，x 是待求的变量向量。

步骤一：将标准形式转换为松弛形式，增加松弛变量使约束条件变成等式。将线性规划转化为：

maximize c^Tx
subject to Ax + s = b, x, s >= 0

其中，s 是松弛变量。

步骤二：初始化单纯性表格，包括目标函数和约束条件。将约束条件按矩阵形式表示为表格的第一列，将松弛变量按矩阵形式表示为表格的第二列，最后一列表示约束条件右侧的常量。

步骤三：在单纯性表格上执行下列操作，直到找到最优解或者确定问题无解：

1. 在目标函数行中，选择系数最大的变量作为入基变量。
2. 在约束条件中，选择常量非负并且比率最小的约束条件作为出基变量。
3. 用入基变量和出基变量更新单纯性表格。
4. 重复步骤 1-3 直到找到最优解或者确定问题无解。

下面是一个 Python 实现：

import numpy as np

def simplex(c, A, b):
    # 转换为松弛形式
    n, m = A.shape
    A = np.hstack([A, np.eye(n)])
    c = np.hstack([c, np.zeros(n)])
    x = np.zeros(m+n)

    # 初始化单纯性表格
    table = np.vstack([np.hstack([A, np.atleast_2d(b).T]),
                       np.hstack([c.reshape(1,-1), np.zeros((1,1))])])
    
    while True:
        # 选择入基变量
        j = np.argwhere(table[-1,:-1] > 0)[0][0]
        if np.all(table[:-1,j] <= 0):
            # 最优解已找到
            break
        
        # 选择出基变量
        i = np.argmin(table[:-1,-1] / table[:-1,j])
        x[i] = table[i,-1] / table[i,j]
        
        # 更新单纯性表格
        table[i,:] /= table[i,j]
        for k in range(table.shape[0]):
            if k == i:
                continue
            table[k,:] -= table[k,j] * table[i,:]
    
    return x[:m]

这个函数使用 NumPy 实现了两阶段单纯性算法，可以处理一般的线性规划问题。