python单纯形法解线性规划问题

# encoding=utf-8
__author__ = ‘ysg‘
import numpy as np  # python 矩阵操作lib
from openpyxl import Workbook
import xlwt
class Simplex（）:

    def __init__（self）:
        self._A = ““  # 系数矩阵
        self._b = ““  #
        self._c = ‘‘  # 约束
        self._B = ‘‘  # 基变量的下标集合
        self.row = 0  # 约束个数

    def solve（self filename）:
        # 读取文件内容，文件结构前两行分别为 变量数 和 约束条件个数
        # 接下来是系数矩阵
        # 然后是b数组
        # 然后是约束条件c
        # 假设线性规划形式是标准形式（都是等式）

        A = []
        b = []
        c = []
        with open（filename ‘r‘） as f:
            self.var = int（f.readline（））
            self.row = int（f.readline（））

            for i in range（self.row）:
                x = list（map（int f.readline（）.strip（）.split（‘ ‘）））
                A.append（x）
            b = list（map（int list（f.readline（）.strip（）.split（‘ ‘））））
            c = list（map（int list（f.readline（）.strip（）.split（‘ ‘））））

        self._A = np.array（A dtype=float）
        self._b = np.array（b dtype=float）
        self._c = np.array（c dtype=float）
        # self._A = np.array（[[3-11-200][210110][-130-301]]dtype=float）
        # self._b = np.array（[-3412]dtype=float）
        # self._c = np.array（[-7 7 -2 -1 -6 0]dtype=float）
        self._B = []
        self.row = len（self._b）
        self.var = len（self._c）
        （x obj） = self.Simplex（self._A self._b self._c）
        self.pprint（x obj A）

    def pprint（self x obj A）:
        px = [‘x_%d = %f‘ % （i + 1 x[i]） for i in range（len（x））]
        print（‘‘.join（px））



        print（‘objective value is : %f‘ % obj）
        print（‘------------------------------‘）
        for i in range（len（A））:
            print（‘%d-th line constraint value is : %f‘ % （i + 1 x.dot（A[i]）））


    def InitializeSimplex（self A b）:

        b_min min_pos = （np.min（b） np.argmin（b））  # 得到最小bi

        # 将bi全部转化成正数
        if （b_min < 0）:
            for i in range（self.row）:
                if i != min_pos:
                    A[i] = A[i] - A[min_pos]
                    b[i] = b[i] - b[min_pos]
            A[min_pos] = A[min_pos] * -1
            b[min_pos] = b[min_pos] * -1

        # 添加松弛变量
        slacks = np.eye（self.row）
        A = np.concatenate（（A slacks） axis=1）
        c = np.concatenate（（np.zeros（self.var） np.ones（self.row）） axis=0）
        # 松弛变量全部加入基初始解为b
        new_B = [i + self.var for i in range（self.row）]

        # 辅助方程的目标函数值
        obj = np.sum（b）

        c = c[new_B].reshape（1 -1）.dot（A） - c
        c = c[0]
        # entering basis
        e = np.a