基于python实现的单纯形方法（线性规划）

import numpy as np
def select_r(y_k,x_b):
    # print(y_k,x_b)
    index_1=np.where(y_k>0)[0]#挑选y_k中大于0的元素的下标
    # print(x_b[index_1]/y_k[index_1])
    index_2=np.argmin(x_b[index_1]/y_k[index_1])#对应相除得到确定r的集合，取该集合元素最小的下标
    # print(index_1,index_2)
    r=index_1[index_2]
    return r#这里的r起始坐标为0，若要带入手算需要+1
def select_k(w,index_N,c,P):
    q=np.dot(w,P[:,index_N])-c[index_N]#计算判别数
    if np.all(q<=0):
        print("已经为最优解")
        return 1,True
    else:
        index_1=np.argmax(q)
        k=index_N[index_1]
        return k,False
def swap(index_N,index_B,r,k):
    index_N[np.where(index_N==k)[0]]=index_B[r]
    index_B[r]=k
    return index_N,index_B

def LP(A,b,c):

    aux = np.eye(A.shape[0])  # 加入松弛变量

    c = np.concatenate((c, np.zeros(A.shape[0])))  # 目标函数系数扩增松弛变量系数
    P = np.concatenate((A, aux), axis=1)

    index_B = np.arange(A.shape[1],A.shape[1]+A.shape[0])  # 基变量的下标
    index_N = np.arange(A.shape[1])  # 非基变量下标


    # c=np.concatenate((c,np.zeros(3)),axis=1)
    flag=True
    while flag:
        c_b = c[index_B]  # 基变量的目标函数系数

        B = P[:, index_B]
        B_1 = np.linalg.inv(B)
        x_b = np.dot(B_1, b)
        w = np.dot(c_b, B_1)

        # 计算判别数
        # judge_array= np.zeros(A.shape[1]+c_b.shape[0])
        # judge_array[0]=np.dot(w,P[:,0])-c[0]
        # judge_array[1]=np.dot(w,P[:,1])-c[1]
        # if np.all(judge_array<=0) :
        #     # return x_b,N+1#现行解是最优解
        #     pass

        k,end = select_k(w, index_N, c, P)
        if end:
            return np.dot(B_1,b),index_B+1

        # 确定k之后
        # k=np.argmax(judge_array)
        # print(k)
        # 进行y_k计算
        y_k = np.dot(B_1, P[:, k])
        if np.all(y_k <= 0):  # 如果y_k的每个分量均为小于等于0，则问题不存在最优解
            print("此问题不存在最优解")
            return 0,0

        r = select_r(y_k, x_b)
        index_N, index_B = swap(index_N, index_B, r, k)

A = np.array([[1,-1],[3,2],[-2,1]])
b = np.array([0,5,1]).T#小于
c = np.array([-3,- 1])#min最小值
print(LP(A,b,c))#返回的是(array([1., 1., 2.]), array([1, 2, 5])),代表第1，2，5个变量的值为1，1，2，其余变量为0

自己尝试看课本单纯形法步骤实现的，目前有些不是很完善的地方，比如当我把x1范围限制在2-4之间，求解出来的x1结果不符合约束要求。。。