线性规划的对偶问题python代码

以下是使用Python求解线性规划对偶问题的示例代码：

from scipy.optimize import linprog

# 定义原始问题的目标函数系数
c = [1, 2, 3]

# 定义原始问题的约束条件
A = [[-1, 1, 1], [1, 2, -3], [2, -1, 1]]
b = [20, 30, 10]

# 求解原始问题
res = linprog(c, A_ub=A, b_ub=b, bounds=(0, None))
print(res)

# 求解对偶问题
c_dual = [-20, -30, -10]
A_dual = [[-1, 1, 2], [1, 2, -1], [1, -3, 1]]
b_dual = [1, 2, 3]

res_dual = linprog(c_dual, A_eq=A_dual, b_eq=b_dual, bounds=(None, None))
print(res_dual)

在上面的代码中，我们首先定义了原始问题的目标函数系数和约束条件，然后使用 `linprog` 函数求解原始问题，并打印出结果。接着，我们根据对偶问题的定义，定义了对偶问题的目标函数系数和约束条件，并使用 `linprog` 函数求解对偶问题，并打印出结果。

需要注意的是，在求解对偶问题时，我们将原始问题的不等式约束转化为等式约束，并将其放在一起与对偶问题的等式约束一起传递给 `linprog` 函数。