用单纯形方法编程实现线性规划最优解，其中目标函数最小化

好的，以下是用单纯形方法编程实现线性规划最优解的Python代码，其中目标函数最小化：

import numpy as np

def simplex(A, b, c):
    """
    :param A: 约束条件系数矩阵
    :param b: 约束条件常数列
    :param c: 目标函数系数列
    :return: 最优解和最优值
    """
    m, n = A.shape
    # 构造初始单纯形表
    table = np.zeros((m + 1, n + m + 1))
    table[:m, :n] = A
    table[:m, n:n + m] = np.eye(m)
    table[:m, -1] = b
    table[-1, :n] = -c
    # 进行单纯形算法
    while table[-1, :-1].min() < 0:
        col = np.argmin(table[-1, :-1])
        row = np.argmin(table[:-1, -1] / table[:-1, col])
        table[row, :] /= table[row, col]
        for i in range(m + 1):
            if i != row:
                table[i, :] -= table[i, col] * table[row, :]
    # 返回最优解和最优值
    return table[:-1, -1], -table[-1, -1]

# 示例
A = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])
b = np.array([3, 6, 9])
c = np.array([1, 1, 1])
x, value = simplex(A, b, c)
print('最优解：', x)
print('最优值：', value)

其中，输入的参数`A`表示约束条件的系数矩阵，`b`表示约束条件的常数列，`c`表示目标函数的系数列。函数返回最优解和最优值。

以上代码中用到了Numpy库，可以通过`pip install numpy`命令进行安装。