算法设计与分析-线性规划

作者半个学期都没搞懂线性规划问题，看了无数资料。后面又听了几遍课终于大概懂了一些。现把心得代码列与此，造福同样被算法设计与分析折磨的学弟学妹。
标准形：

min z = c.transpose().dot(x)
s.t. Ax <= b
	for all i, x_i >= 0

单纯形法：
一些概念：
基，基本可行解（即只有在某组基的系数处的x是不为0的）
推导：采用向量形式。加入松弛变量化成：

min z = c.transpose().dot(x)
s.t. A*x' == b
	for all i, x_i >= 0

等式两边同乘B的逆（这里我傻了，实际上A不是方阵，是mxn的，B才是方阵，是含有逆的）

np.dot(np.dot(np.linalg.inv(B), A),x) = np.linalg.inv(B).dot(b)

（下面用伪代码了，看得懂就好，打numpy代码太累了）
下面的推导：

B-1*A*x = B-1*b
Ax = B*x_B + N*x_N
x_B + B-1*N*x_N = B-1*b
# 代入最初的式子
z = c.transpose() * x
   = c_B.transpose() * x_B + c_N.transpose() * x_N
   = c_B.transpose() * (B-1*b - B-1*N*x_N) + c_N.transpose() * x_N