scipy.optimize.linprog即使存在解决方案也找不到解决方案

Question

我正在使用Python 2.7.12和Numpy 1.11.0尝试以下代码。

import numpy as np
from scipy.optimize import linprog

A = np.matrix([[1,0,0,1], [0, 1, 0 ,1], [0, 1, 1, 0]])
c = np.zeros(A.shape[1])
res = linprog(c,A_eq = A, b_eq = [0,1,-1], options=dict(bland=True))
print (res.x)
print (A.dot([0, 1, -2, 0]))

以上的输出是

nan
[[ 0  1 -1]]

所以scipy.optimize.linprog找不到解决方案，即使存在一个解决方案，A_eq的点乘法与[0,1，-2,0]的输出也很明显。

提出了类似的问题here，我尝试了那里建议的解决方案（即添加options = dict（bland = True）或更新容差值）。我仍然得到与上面公布的相同的错误输出。 这种行为可能是什么原因？谢谢。

Answer 1

我是OP，解决方案是明确添加边界，如下所示：

 res = linprog(c, A_eq = A, b_eq = [0,1,-1], bounds=(None, None))

我的印象是默认情况下，linprog假定解决方案没有界限，但事实上默认边界是（0，无），即非负值。

docs：

中提到了这一点

  

bounds：sequence，optional

     x中每个元素的

（min，max）对，定义该参数的边界。当在该方向上没有约束时，使用None作为min或max之一。默认情况下，边界为（0，无）（非负）...