什么是线性规划图解法
🎓
简单来说，就是在有限的资源里，找到最好的安排方式。比如一个工厂，有固定的机器时间和原料，要决定生产多少产品A和产品B才能赚最多钱。这个“最好”和“有限”的关系，用数学公式表达出来，就是线性规划。你试着在模拟器里拖动“系数 c₁”和“系数 c₂”这两个滑块，它们就代表了产品A和产品B的利润，你会看到代表总利润的直线方向在实时变化。
🙋
诶，真的吗？那图解法就是把这个问题画出来看吗？
🎓
没错！当问题只有两个变量（比如两种产品）时，我们就能画在平面上。所有满足机器、原料等限制条件的生产方案，会形成一个多边形区域，叫做“可行域”。最优解就在这个多边形的某个顶点上。在模拟器里，改变参数后你会看到代表利润的等值线（一组平行线）扫过可行域，当它刚好擦过最远的那个顶点时，就找到了最大利润点。
🙋
那如果产品不止两种，画不出来怎么办？单纯形法又是什么？
🎓
问得好！单纯形法就是解决高维问题的“聪明算法”。它本质上是在可行域的那些顶点（现在想象成高维空间的多面体角点）之间跳转，每次都朝着能让利润增加的方向跳。你可以把模拟器切换到“单纯形法步骤”模式，它会一步步演示这个“跳跃”过程，从一个基本可行解移动到下一个，直到跳到利润最高的那个顶点为止。
物理模型与关键公式
线性规划问题的标准数学模型，用于描述在资源约束下最大化收益或最小化成本的目标。
$$\text{maximize}\quad \mathbf{c}^\top\mathbf{x}= c_1 x_1 + c_2 x_2$$
$$\text{subject to}\quad A\mathbf{x}\leq \mathbf{b}, \quad \mathbf{x}\geq 0$$
其中，$\mathbf{x}= [x_1, x_2]^\top$ 是决策变量（如两种产品的产量），$\mathbf{c}$ 是目标函数系数（如单位利润），$A$ 是约束系数矩阵（如单位产品消耗的资源），$\mathbf{b}$ 是资源上限向量。$\mathbf{x}\geq 0$ 表示产量非负。
灵敏度分析中的核心概念——影子价格，它量化了资源稀缺性的价值。
$$\text{影子价格}= \frac{\partial (\text{最优目标值})}{\partial b_i}$$
变量 $b_i$ 是第 $i$ 种资源的可用量（约束右端值）。影子价格表示，在其他条件不变时，每增加一个单位的资源 $i$，最优目标函数值（如总利润）能增加多少。它是评估资源投资价值的关键指标。
现实世界中的应用
生产计划与排程：这是线性规划最经典的应用。比如汽车制造厂，在钢板、喷涂线工时、组装工时等约束下，决定生产多少辆轿车和SUV才能使总利润最大。工程现场常见的是用线性规划软件来制定周或月的详细生产计划。
物流与运输优化：如何以最低成本将货物从多个仓库配送到多个零售店？每个仓库的库存、每辆车的运力、每条路线的成本都是线性约束，目标是最小化总运输费。大型电商和物流公司每天都在求解这类问题。
结构设计与拓扑优化：在CAE领域，结构物的轻量化设计可以近似为线性规划问题。比如在满足应力、位移等性能约束下，寻找材料分布的最优解，使结构总重量最小化，这是汽车、航空部件设计中的重要环节。
资源分配与金融投资：如何将有限的资金分配到不同的投资项目（股票、债券等）中，在给定的风险水平下最大化预期收益？或者，在电力系统中，如何在不同发电机组间分配负荷，在满足用电需求的同时使总发电成本最低？
常见误解与注意事项
开始使用此模拟器时，尤其是在实际应用场景中，有几个需要特别注意的要点。首先，请理解“仅当变量数为两个时才能绘制图形”这一根本限制。若只有产品A和B两种类型尚可可视化，但在实际生产计划中，变量会随着产品C、D等的增加而增多。此时必须依赖单纯形法等数值解法，而本工具所教授的“寻找顶点”概念正是这些算法的基础。
其次，约束条件设定中容易忽略现实性。例如，即使将设备运行时间设定为“x₁ + 2x₂ ≤ 8（小时）”，这也是以连续运行为前提的。若未考虑设备调试时间和维护时间，则无法直接执行所得最优解。此外，将系数（如单位利润c₁）视为固定值也存在风险，现实中它会随原材料价格波动而变化。正因如此，应养成使用工具内置的敏感性分析功能来验证“该系数变化多少会导致最优解改变”的习惯。
最后，切勿遗漏“非负”之外的约束。工具的标准形式要求变量≥0，但实际问题中常出现“产品A至少需生产100件”（x₁ ≥ 100）这类下限约束，或“库存需恰好用完”（等式约束）。这些约束必须转化为模拟器所教授的基本形式（例如对于x₁ ≥ 100，可通过新变量x₁' = x₁ - 100替换为x₁' ≥ 0）后再求解。