通过线性规划的基本可行解确定最优解的方法，编程实现最优化问题的最优解。

线性规划的基本可行解确定最优解（Simplex算法）是一种常用的求解线性规划问题的方法。其步骤如下：

1. 将线性规划问题转化为标准型，即将目标函数转化为最小化形式，约束条件转化为等式形式。

2. 构造初始的基本可行解，即将约束条件中的 n 个变量选取 n 个作为基变量，并使得这些基变量的值非零，其余 n-m 个变量设为0，从而得到一个基本可行解。

3. 通过计算每个非基变量的单位贡献值，选取单位贡献值最小的非基变量作为入基变量，并选取一个离开基变量，使得将该非基变量作为入基变量后，对应的约束条件仍然满足。

4. 根据选定的入基变量和离开基变量，计算新的基本可行解。

5. 如果新的基本可行解依然不是最优解，则重复步骤3和4，直到求得最优解。

下面给出Python代码实现上述方法：

import numpy as np

def simplex(c, A, b):
    # 将线性规划问题转化为标准型
    c = np.array(c)
    A = np.array(A)
    b = np.array(b)
    m, n = A.shape
    c = np.concatenate([c, np.zeros(n)])
    A = np.concatenate([A, np.eye(n)], axis=0)
    x = np.concatenate([np.zeros(n), b])
    basis = list(range(n, n+m))

    while True:
        # 计算单位贡献值
        z = c[basis] @ A - c

        # 判断是否达到最优解
        if np.all(z <= 0):
            break

        # 选取入基变量和离开基变量
        k = np.argmin(z)
        r = np.argmin(x[basis] / A[:, k])

        # 更新基本可行解
        x[basis] -= x[basis[r]] / A[r, k] * A[:, k]
        x[basis[r]] = x[basis[r]] / A[r, k]
        basis[r] = k

    return x[:n]

该代码实现了一个简单的线性规划求解器，输入参数为目标函数 c，约束条件的系数矩阵 A 和右端向量 b，输出最优解 x。使用时只需要按照以下格式调用：

x = simplex(c, A, b)

其中 c, A 和 b 分别为 Python 中的列表或 Numpy 数组。