你的问题是线性规划中的问题，你的等式和不等式是限制，你想最小化(然后最大化)表达式y。等式、不等式和表达式都是线性的，所以它是线性规划。使用scipy函数的scipy包可以进行这种线性规划。在

这里是注释代码，可以做你想做的。注意，所有的不等式都稍加修改以包含等式，这对于具有最大或最小值y是必要的。为了找到y的最大值，代码转而找到-y的最小值，然后打印该值的加法逆，因为{}最小化了目标函数。最后，不等式限制必须是linprog中的“小于或等于”，所以我将不等式x + y > 180的两边乘以-1得到一个，即-x + -y <= -180。问你有什么问题。在from scipy.optimize import linprog

# Set up values relating to both minimum and maximum values of y

coefficients_inequalities = [[-1, -1]] # require -1*x + -1*y <= -180

constants_inequalities = [-180]

coefficients_equalities = [[3, 12]] # require 3*x + 12*y = 1000

constants_equalities = [1000]

bounds_x = (30, 160) # require 30 <= x <= 160

bounds_y = (10, 60) # require 10 <= y <= 60

# Find and print the minimal value of y

coefficients_min_y = [0, 1] # minimize 0*x + 1*y

res = linprog(coefficients_min_y,

A_ub=coefficients_inequalities,

b_ub=constants_inequalities,

A_eq=coefficients_equalities,

b_eq=constants_equalities,

bounds=(bounds_x, bounds_y))

print('Minimum value of y =', res.fun)

# Find and print the maximal value of y = minimal value of -y

coefficients_max_y = [0, -1] # minimize 0*x + -1*y

res = linprog(coefficients_max_y,

A_ub=coefficients_inequalities,

b_ub=constants_inequalities,

A_eq=coefficients_equalities,

b_eq=constants_equalities,

bounds=(bounds_x, bounds_y))

print('Maximum value of y =', -res.fun) # opposite of value of -y

该代码的打印输出是

^{2}$

在浮点精度范围内是正确的。如果您需要x的对应值，请参见res.x的值，它是一个数组，它在所需的点x和{}的值都是res.x[0]，而{}是{}。在