这里变量x1 , x2 称之为决策变量,(1)式被称为问题的目标函数,(2)中的几个不等式是问题的约束条件,记为 s.t.(即 subject to)。...由图解法可知上述问题的最优解释 x1,x2 = (2, 6)
在python中,我们可以通过调用scipy库中的optimize模块来求解线性规划问题。...上述问题的求解代码如下:
import numpy as np
from scipy import optimize
#定义目标函数
Z = np.mat([-4,-3])
#定义约束条件
A = np.mat...求解代码:
#定义目标函数
Z = np.array([2,2,3,3])
A = np.array([[-3,3,-4,4], [2,-2,-1,1],[1,-1,-3,3]])
B = np.array...([-100,20,-25])
#x1_bound = x2_bound = x3_bound =x4_bound =(0, None)
#默认求最小值,且约束条件都为≤,否则可以通过式子两边乘以 -