如何在scipy线性规划求解器中表示依赖其他变量的变量边界？

嘿，这个问题很典型！Scipy的linprog求解器本身只支持固定数值的变量上下界（也就是bounds参数只能传常数），所以你遇到的这种变量边界依赖其他变量的情况，不能直接写在bounds里，得把这些依赖关系转化成线性不等式约束，放到A_ub和b_ub参数里。

具体转化步骤 #

你的约束条件可以拆成两部分：固定边界和变量依赖边界：

• 固定边界：0 ≤ i ≤ 100、j ≥ 0、k ≥ 0，这些可以直接写到bounds参数中。
• 变量依赖的边界：
  • j ≤ i - 1 变形为：-i + j ≤ -1（完全符合linprog要求的A_ub @ x ≤ b_ub格式）
  • k ≤ j - 1 变形为：-j + k ≤ -1

代码示例 #

假设我们的目标是最小化线性函数 z = i + 2j + 3k，下面是完整的实现代码：

from scipy.optimize import linprog

# 目标函数系数（linprog默认求最小值，若求最大值需对系数取负）
c = [1, 2, 3]

# 不等式约束矩阵A_ub：每一行对应一个约束的系数
A_ub = [
    [-1, 1, 0],  # 对应 -i + j ≤ -1
    [0, -1, 1]   # 对应 -j + k ≤ -1
]

# 不等式约束的右侧值b_ub
b_ub = [-1, -1]

# 变量的固定上下界：(下界, 上界)，None表示无界
bounds = [
    (0, 100),  # i的边界
    (0, None), # j的下界0，上界由约束限制，设为None即可
    (0, None)  # k的下界0，上界由约束限制
]

# 求解线性规划（推荐用highs方法，性能更稳定）
result = linprog(c, A_ub=A_ub, b_ub=b_ub, bounds=bounds, method='highs')

# 输出结果
print("最优解：", result.x)
print("最优目标值：", result.fun)

注意事项 #

• 约束符号别搞反：linprog默认处理的是A_ub @ x ≤ b_ub，一定要把变量依赖的边界严格转化成这种形式，否则求解结果会出错。
• 最大化目标的处理：如果你的需求是最大化某个线性函数，记得把目标系数c取负数，求解后再把目标值取负得到最终的最大值。
• 变量顺序要统一：A_ub的列顺序、c的顺序、bounds的顺序必须和你定义的变量顺序（比如x = [i, j, k]）完全对应。

内容的提问来源于stack exchange，提问作者Barnali Basak