如何在Python中提取Netlib .mat格式线性规划问题的矩阵与向量？

步骤1：安装依赖库 #

先安装读取.mat文件所需的工具库：

pip install scipy numpy

步骤2：读取并提取核心数据 #

使用scipy.io.loadmat读取本地的.mat文件，再直接提取目标变量：

import scipy.io as sio
import numpy as np

# 读取lpi_bgprtr.mat文件
mat_data = sio.loadmat('lpi_bgprtr.mat')

# 先打印文件内的所有变量名，确认目标变量的位置
print("文件包含的变量：", mat_data.keys())

# 提取线性规划的核心变量
A = mat_data['A']
c = mat_data['c'].flatten()  # 转为一维向量，适配后续求解器输入要求
b = mat_data['b'].flatten()
lb = mat_data['lb'].flatten()
ub = mat_data['ub'].flatten()

# 验证提取结果的维度
print("\n提取结果维度：")
print(f"A: {A.shape}")
print(f"c: {c.shape}")
print(f"b: {b.shape}")
print(f"lb: {lb.shape}")
print(f"ub: {ub.shape}")

特殊情况处理 #

如果目标变量嵌套在Problem或lp这类结构体中，需要先提取结构体再获取变量：

# 假设变量嵌套在'Problem'结构体下
problem_struct = mat_data['Problem'][0, 0]  # scipy读取的结构体是二维数组，需取[0,0]获取实际内容
A = problem_struct['A']
c = problem_struct['c'].flatten()
# 其余变量按相同逻辑提取

额外说明 #

• Netlib的LP问题中，矩阵A通常是稀疏矩阵，scipy.io.loadmat会自动将其读取为scipy.sparse类型，若需转为密集矩阵可调用A.toarray()。
• 若变量名与示例不符，直接参考mat_data.keys()的输出结果调整键名即可。

内容的提问来源于stack exchange，提问作者Ali Shahmoradi Moghaddam