scipy.optimize.linprog(c, A_ub=None, b_ub=None, A_eq=None, b_eq=None, bounds=None, method='simplex', callback=None, options=None)

 

from scipy import optimize as op
import numpy as np
c=np.array([2,3,-5])
A_ub=np.array([[-2,5,-1],[1,3,1]])
B_ub=np.array([-10,12])
A_eq=np.array([[1,1,1]])
B_eq=np.array([7])
x1=(0,7)
x2=(0,7)
x3=(0,7)
res=op.linprog(-c,A_ub,B_ub,A_eq,B_eq,bounds=(x1,x2,x3))
print(res)

 

很容易发现，c指的应该是要求最大值的函数的系数数组，A_ub是应该是不等式未知量的系数矩阵，仔细观察的人应该发现，为什么第一行里面写的是[-2,5,-1]而不是[2,5,-1]呢，应该要与图里对应才对啊，原来这不等式指的是<=的不等式，那如果是>=呢，乘个负号就行了。A_eq就是其中等式的未知量系数矩阵了。B_ub就是不等式的右边了，B_eq就是等式右边了。bounds的话，指的就是每个未知量的范围了。我们看一下结果

     con: array([0.])
     fun: -14.571428571428571
 message: 'Optimization terminated successfully.'
     nit: 8
   slack: array([0.        , 3.85714286])
  status: 0
 success: True
       x: array([6.42857143, 0.57142857, 0.        ])

重点关注的就是第一行和最后一行了，第一行是整个结果，最后一行是每个x的结果。为什么第一行是负的呢？原来这个函数其实是求最小值的，那么求最大值，怎么办呢？很简单，仔细观察的人应该发现，之前的函数里面，我写的是-c，而不是c。那么这个函数的出来的结果其实就是-c的最小值，但很明显这恰恰是c最大值的相反数。那么答案就是14.57了，以上。
---------------------
作者：your_answer
来源：CSDN
原文：https://blog.csdn.net/your_answer/article/details/79131000
版权声明：本文为博主原创文章，转载请附上博文链接！