小编Blu*_*man的帖子

我读到 scipy 中的 linprog 返回最小解决方案，并且可以通过将目标函数乘以 -1 来获得最佳解决方案。

我在这里读到它： https: //realpython.com/linear-programming-python/ 我已经测试了他们提供的示例，看看我是否也能得到最小的解决方案——我可以。


关于我试图解决的问题，我希望解决方案是：

opt_sol1.x = [0.61538462 0.38461538]
opt_sol2.x = [0.0, 1.0]

但在两种情况下我都得到相同的结果 [0.61538462 0.38461538] 为什么？-- 我的猜测是它与我的目标函数中的值相互接近有关，但只是猜测有没有一种方法可以得到我正在寻找的第二个解决方案？

from scipy.optimize import linprog

obj_fct1 = [0.5, 0.5]
obj_fct2 = [-0.5, -0.5]
lhs_ineq = [[1.5, 0.2]]
rhs_ineq = [1]
lhs_eq = [[1,1]]
rhs_eq = [1]
bnds = [(0, 1),
          (0, 1)]

opt_sol1 = linprog(c=obj_fct1,
                  A_ub=lhs_ineq,
                  b_ub=rhs_ineq,
                  A_eq=lhs_eq,
                  b_eq=rhs_eq,
                  bounds=bnds)
print(opt_sol1.x)
print("------------------------------------------")
opt_sol2 = linprog(c=obj_fct2,
                  A_ub=lhs_ineq,
                  b_ub=rhs_ineq,
                  A_eq=lhs_eq,
                  b_eq=rhs_eq,
                  bounds=bnds)
print(opt_sol2.x)


>>> [0.61538462 0.38461538]
>>> ------------------------------------------ …