在 Python 中使用 `scipy.optimize.linprog` 可以高效地解决线性规划问题。该函数用于最小化形如 $ c^T x $ 的目标函数，并满足一系列不等式约束和等式约束条件。其基本形式为： $$ \min_x \ c^T x \quad \text{such that} \ A_{ub}x \leq b_{ub}, \ A_{eq}x = b_{eq}, \ l \leq x \leq u $$ 其中： - `c` 是目标函数的系数向量； - `A_ub` 和 `b_ub` 分别表示不等式约束的矩阵和向量； - `A_eq` 和 `b_eq` 表示等式约束的矩阵和向量； - `bounds` 定义了变量的上下限。 ### 基本用法 以下是一个完整的示例，演示如何使用 `linprog` 来求解一个典型的线性规划问题： ```python from scipy.optimize import linprog import numpy as np # 目标函数的系数（最小化） c = np.array([13, 9, 10, 11, 12, 8]) # 不等式约束矩阵和向量 A_ub = np.array([ [0.4, 1.1, 1, 0, 0, 0], [0, 0, 0, 0.5, 1.2, 1.3] ]) b_ub = np.array([800, 900]) # 等式约束矩阵和向量 A_eq = np.array([ [1, 0, 0, 1, 0, 0], [0, 1, 0, 0, 1, 0], [0, 0, 1, 0, 0, 1] ]) b_eq = np.array([400, 600, 500]) # 变量范围设置为[0, ∞) bounds = [(0, None) for _ in range(6)] # 求解线性规划问题 result = linprog(c, A_ub=A_ub, b_ub=b_ub, A_eq=A_eq, b_eq=b_eq, bounds=bounds) # 输出结果信息 print(result.message) print(result) ``` 此代码中： - 使用 `np.array()` 构建了目标函数系数、不等式约束矩阵和向量以及等式约束矩阵和向量； - 所有变量的取值范围被设定为从 0 到无穷大； - 调用 `linprog()` 进行求解并输出结果信息[^4]。 ### 参数说明 - **`c`**：目标函数的系数向量； - **`A_ub`, `b_ub`**：不等式约束的矩阵和向量； - **`A_eq`, `b_eq`**：等式约束的矩阵和向量； - **`bounds`**：定义变量的边界限制； - **`method`**：指定求解方法，如 `'interior-point'` 或 `'highs'`； - **`options`**：控制求解器选项，例如最大迭代次数。 ### 注意事项 1. `linprog` 默认是进行最小化优化。如果需要最大化目标函数，可以通过将目标函数系数取反来实现。 2. 如果存在多个最优解，`linprog` 会返回其中一个可行解。 3. 在实际应用中，建议根据具体问题选择合适的求解方法，例如对于大规模问题推荐使用 `'highs'` 方法。 ---