linprog库里各函数的用法

在`scipy.optimize.linprog`库中，主要有两个核心函数：`linprog`和`linprog(method)`。这里简要介绍下这两个函数：

1. `scipy.optimize.linprog(c, A_ub=None, b_ub=None, A_eq=None, b_eq=None, bounds=None, method='revised simplex', callback=None, options={'disp': False})`:

- `c`: 目标函数系数的一维数组，通常是你要最大化或最小化的值。
- `A_ub` (上边界) 和 `b_ub` (上边界条件)：分别是一组二维数组，描述了约束条件的不等式部分。
- `A_eq` (等式) 和 `b_eq` (等式条件)：类似地，描述了约束条件的等式部分。
- `bounds`：一维数组或二维数组，指定变量的取值范围。
- `method`：可以选择线性规划的求解算法，如 'simplex' (单纯形法)，'highs-ds' (高斯牛顿方法)，等等。
- 其他参数，如`callback`用于自定义求解过程的回调函数，`options`则是设置求解选项。

2. `linprog(method, c, A_ub=None, b_ub=None, A_eq=None, b_eq=None, bounds=None, callback=None, options=None)`:

这个版本的函数与上面的差不多，只是省略了默认的`disp=False`选项，当`options`参数存在时，可以覆盖默认选项。

例如，如果你想解决一个最简单的线性规划问题（最大化c的元素乘积，无约束），你可以这样做：

from scipy.optimize import linprog

# 假设有一列向量c = [3, 4]
c = np.array([3, 4])
res = linprog(c)
print(res.x)  # 输出最大化的目标变量值

每个函数都有一些特定的参数和假设，所以在实际应用中，根据问题的具体情况选择合适的参数，并参考文档理解各个参数的意义是非常重要的。