如何在Python中求解线性方程组及受约束线性表达式的y最值

阿华AIGC实验室

2026-5-19

在Python中求解线性规划问题（线性方程组/不等式组+目标函数最值）

嘿，我完全懂你的痛点——手动用消元法或者在Desmos里可视化线性约束和目标函数没问题，但要把这个过程搬到Python里自动化实现，每次手动结合约束的方式太折腾人了对吧？其实不用自己造轮子，Python有专门的线性规划工具可以一键搞定这类问题！

核心思路：用`scipy.optimize.linprog`处理线性规划

线性规划的本质就是在一组线性不等式/等式约束下，求某个线性目标函数的最大值或最小值。scipy库的linprog模块就是专门干这个的，它会自动帮你遍历可行域的所有顶点，计算目标函数在这些点上的值，最终给出最优解。

先明确线性规划的标准形式

linprog默认求解最小值问题，标准形式如下：

minimize: c^T * x
subject to:
    A_ub * x <= b_ub  # 不等式约束（<=形式）
    A_eq * x == b_eq  # 等式约束
    lb <= x <= ub     # 变量的上下边界

如果要求最大值，只需要把目标函数系数取反，求出最小值后再取相反数即可。

代码示例：以你的问题场景为例

假设你的目标是求y的最值，约束条件参考你提到的截距对应的方程（比如0.3x + y = 100这类），再加上其他线性不等式约束，代码可以这么写：

from scipy.optimize import linprog

# 1. 定义目标函数：求y的最大值，等价于求 -y 的最小值
c_max_y = [0, -1]  # 对应x和y的系数，目标为 min(0*x + (-1)*y)

# 2. 定义不等式约束（全部转成<=形式）
# 示例约束：0.3x + y <= 100、x + 0.25y <= 100（可替换成你的实际约束）
A_ub = [[0.3, 1], [1, 0.25]]
b_ub = [100, 100]

# 3. 定义变量边界：如果x、y非负，就设置为(0, None)，否则按需调整
x_bounds = (0, None)
y_bounds = (0, None)
bounds = [x_bounds, y_bounds]

# 4. 求解y的最大值对应的最小值问题
result_y_max = linprog(c_max_y, A_ub=A_ub, b_ub=b_ub, bounds=bounds, method='highs')
y_max = -result_y_max.fun
x_at_y_max = result_y_max.x[0]

# 5. 求解y的最小值：直接以y为目标求min
c_min_y = [0, 1]
result_y_min = linprog(c_min_y, A_ub=A_ub, b_ub=b_ub, bounds=bounds, method='highs')
y_min = result_y_min.fun
x_at_y_min = result_y_min.x[0]

# 输出结果
print(f"y的最大值为: {y_max:.2f}，此时x={x_at_y_max:.2f}")
print(f"y的最小值为: {y_min:.2f}，此时x={x_at_y_min:.2f}")

关键细节说明

约束转换：如果你的约束是>=形式（比如2x + 3y >= 50），只需要把不等式两边乘以-1，转成-2x -3y <= -50，再把系数加到A_ub和b_ub里。
等式约束：如果有线性方程组的约束（比如x + y = 100），可以用A_eq和b_eq参数定义，例如A_eq = [[1,1]]，b_eq = [100]。
方法选择：method='highs'是scipy推荐的高效求解器，适用于大多数线性规划问题。