对于simplex算法的代码实现最优解存在性的证明

对于任何线性规划系统，并不是都存在最优解，如果在约束条件中，每个常量都是大于等于0的，那么线性规划系统肯定是有最优解的，此时将每个变量选取为0就可以了。而只有当约束条件中的常量有小于0的情况的时候，才需要验证系统是否存在最优解，给出一个反例，进行最优解的存在性的证明：

添加图片注释，不超过 140 字（可选）

对于如上的例子，引入一个新的变量x0，同时将线性规划系统修改为如下：

添加图片注释，不超过 140 字（可选）

如果系统是存在最优解的，那么新系统也存在最优解，而且还是必须是x0=0的情况，首先将其转换成为标准型如下：

添加图片注释，不超过 140 字（可选）

由于第二个约束条件中能够让x0的值增加，因此选中它进行pivot变换，变换之后的整个系统的情况如下：

添加图片注释，不超过 140 字（可选）

这里就注意到此时的目标函数中已经没有变量对应的系数是大于0的了，因此这个时候的算法结束了，所有的非基本元取值为0，基本元取值约束中的常量，于是就有x0=4，这就与要求中的必须存在x0=0会相矛盾，于是也就证明了给定的线性规划系统是不存在最优解的。

使用python代码来实现如下：

def  is_system_feasible(A, b, c):
    has_to_check = False
    for k in range(len(b)): #先检验是否存在小于0的常数
        if b[k] < 0:
            has_to_check = True
            break
    index = 1
    N = []
    B = []
    v = 0
    for i in range(len(A[0])): #设置非基本远变量的下标
        N.append(index)
        index += 1
    for i in range(len(A)): #设置基本远的下标
        B.append(index)
        index += 1
    if has_to_check is False:  #系统存在最优解,返回它的标准形式
        return True
    N_copy = N.copy()
    N_copy.insert(0, 0)  #加入新变量x0的下标
    B_copy = B.copy()
    b_copy = b.copy()
    c_copy = [-1, 0, 0] #目标函数只有一个参数-x0
    A_copy = A.copy()
    for i in range(len(A)):
        A_copy[i].insert(0, -1)  #每个约束条件都添加x0
    l = k
    (N_copy, B_copy, A_copy, b_copy, c_copy, v) = pivot(N_copy, B_copy, A_copy, b_copy, c_copy, v, l, 0)  #转换目标函数使得它包含有系数为正的变量
    (N_copy, B_copy, A_copy, b_copy, c_copy, v) = simplex(N_copy, B_copy, A_copy, b_copy, c_copy, v)
    for i in range(len(B_copy)):
        if B_copy[i] == 0 and b[i] != 0:
            return False
    return True