用scipy解决运输问题

运输问题是一个优化问题，可以使用SciPy库中的线性规划（Linear Programming）模块来解决。线性规划是一种数学方法，用于在给定的限制条件下最小化或最大化线性目标函数的问题。

在SciPy中，线性规划模块位于`scipy.optimize`下的`linprog`函数中。下面是一个简单的示例，展示了如何使用SciPy解决一个运输问题：

from scipy.optimize import linprog

# 定义目标函数的系数
c = [4, 5, 6]  # 运输成本

# 定义不等式约束条件的系数矩阵
A = [[-1, 1, 0],  # 工厂1的供应量约束
     [1, 0, -1],  # 工厂2的供应量约束
     [0, -1, 1]]  # 仓库的需求量约束

# 定义不等式约束条件的右侧常数
b = [150, -100, 50]  # 供应量和需求量

# 定义变量的取值范围
x_bounds = (0, None)  # 变量的非负性约束

# 使用linprog函数求解线性规划问题
res = linprog(c, A_ub=A, b_ub=b, bounds=x_bounds)

# 输出最优解
print('最优解:', res.x)
print('最优值:', res.fun)

在这个示例中，我们定义了一个包含3个工厂和1个仓库的运输问题。目标是最小化总运输成本。约束包括每个工厂的供应量和仓库的需求量。通过调用`linprog`函数，传递目标函数的系数、不等式约束条件的系数矩阵、不等式约束条件的右侧常数和变量的取值范围，我们可以获得最优解和最优值。

请注意，这只是一个简单的示例，实际的运输问题可能涉及更多的变量和约束条件。你可以根据你的实际问题进行适当的修改。