python利用运输问题的位势法和闭回路法，设计求运输问题最优解算法，确定最优运输方案，使得总运费最小。

运输问题是一种重要的线性规划问题，通常使用位势法和闭回路法来求解最优解。下面是一个基于Python的运输问题最优解算法：

import numpy as np

def transport_cost(c, a, b):
    """
    计算运输问题的最小总运费
    c: 运输单位费用
    a: 每个源头的供应能力
    b: 每个目的地的需求量
    """
    n, m = c.shape
    x = np.zeros((n, m)) # 初始化运输量矩阵
    u = np.zeros(n) # 初始化行势
    v = np.zeros(m) # 初始化列势

    # 位势法求解初始运输量矩阵和行列势
    while True:
        # 双重循环求解行列势
        for i in range(n):
            for j in range(m):
                if x[i][j] == 0:
                    v[j] = c[i][j] - u[i]
                    break
        for j in range(m):
            for i in range(n):
                if x[i][j] != 0:
                    u[i] = c[i][j] - v[j]
                    break
        # 求解最小摆动量
        min_sw = float('inf')
        for i in range(n):
            for j in range(m):
                if x[i][j] == 0:
                    sw = u[i] + v[j] - c[i][j]
                    if sw < min_sw:
                        min_sw = sw
                        s = i
                        t = j
        if min_sw == float('inf'):
            break
        # 更新运输量矩阵
        x[s][t] = min(a[s], b[t])
        a[s] -= x[s][t]
        b[t] -= x[s][t]
    # 计算最小总运费
    cost = np.sum(x*c)
    return x, cost

# 测试算法
c = np.array([[10, 20, 30], [40, 50, 60], [70, 80, 90]])
a = np.array([30, 40, 50])
b = np.array([20, 30, 70])
x, cost = transport_cost(c, a, b)
print("最优运输方案：")
print(x)
print("最小总运费：", cost)

以上算法使用了位势法来求解初始运输量矩阵和行列势，然后使用闭回路法来迭代更新运输量矩阵，直到得到最优解。