线性规划实战：用Python实现单纯形法（附完整代码与大M法对比）

线性规划实战：用Python实现单纯形法（附完整代码与大M法对比）

线性规划作为运筹学中的经典工具，在资源分配、生产调度等领域有着广泛应用。对于开发者而言，理解算法原理固然重要，但更重要的是掌握如何用代码实现这些算法。本文将带你从零开始实现单纯形法，并深入探讨大M法与两阶段法在工程实践中的差异。

1. 环境准备与问题建模

在开始编码前，我们需要明确线性规划的标准形式。一个典型的线性规划问题可以表示为：

import numpy as np

# 标准形式：最小化 c^T x
# 约束条件：A_ub x <= b_ub
#           A_eq x = b_eq
#           lb <= x <= ub

c = np.array([-5, -4])  # 目标函数系数
A_ub = np.array([[6, 4], [1, 2], [-1, 1]])  # 不等式约束矩阵
b_ub = np.array([24, 6, 1])  # 不等式约束右侧向量

关键点说明：

• 我们使用Numpy数组存储系数矩阵，这是科学计算的黄金标准
• 注意目标函数系数c的符号：实际应用中常需要转换最大化/最小化问题
• 不等式约束默认形式为≤，需要时可通过乘以-1转换

2. 单纯形法核心实现

单纯形法的本质是在可行域的顶点间移动，寻找最优解。下面我们分步骤实现这一过程。

2.1 初始化单纯形表

def initialize_simplex(c, A_ub, b_ub):
    m, n = A_ub.shape
    # 添加松弛变量
    slack = np.eye(m)
    A = np.hstack([A_ub, slack])
    c_ext = np.hstack([c, np.zeros(m)])