这听起来像是一个很大的工作，以显示明显的：

• 像Guidelines这样的商业求解器比非商业求解器要快得多，也更健壮
• 还有一些高质量的基准测试通过H. Mittelmann显示了这一点（CLP和GLPK是最流行的非商业基准测试）
• 虽然scipy的linprog还可以，但它比CBC/CLP，GLPK，lpSolve等开源竞争对手差得多。
• 速度和鲁棒性！
• 另外：scipy的linprog似乎真的没有维护open issues

有一些方法可以做到这一点：

***A）**使用linprog的问题定义方式并将其转换为Gurobi风格

• 很容易将矩阵形式转换为Guidelines模型
  ***B）**使用cvxpy作为建模工具，获取标准格式并为Guidelines编写一个 Package 器（实际上：有一个）和linprog（又是简单的）。这将允许一个非常强大的建模语言被两者使用
• 缺点：根据问题的不透明转换（例如，abs(some_vector)可能会引入辅助变量）
  ***C）**编写一些MPS-reader /或从其他工具中获取一个，以便在Guidelines中建模问题，输出这些问题并在linprog中读取和解决
• 候选工具：cvxopt's mps阅读器（隐藏在文档中），一些GLPK接口，甚至一些CBC接口
• （可能隐藏的转换）

无论你做什么，解决方案过程分析都将是你代码的重要组成部分，因为linprog可能会失败很多。它也不能处理大型稀疏模型。

基于您的gurobi示例的备注

• 您的示例（TSP）是MIP，而不是LP
• 对于MIP来说，上面所说的一切都变得更糟（特别是开源和开源之间的性能差异）
• scipy中没有MIP求解器！

我以一种非常直接的方式做到了这一点。这并不像之前的文章所暗示的那样需要大量的工作。例如

res = linprog(c, A_ub=Aineq, b_ub=Bineq, A_eq=None if len(Aeq) == 0 else Aeq, b_eq=None if len(Beq) == 0 else Beq, bounds=x_bounds, method="highs", integrality=1)
if not res is None: return np.rint(res.x).astype(np.int64)

翻译成：

m = Model()
v = m.addVars(range(len(c)), lb=[x[0] for x in x_bounds], ub=[x[1] for x in x_bounds], vtype=[GRB.BINARY if x == (0,1) else GRB.INTEGER for x in x_bounds], name=labels)
m.addConstrs((sum(v[i]*a for i, a in enumerate(Aineq[j])) <= Bineq[j] for j in range(len(Aineq))))
m.addConstrs((sum(v[i]*a for i, a in enumerate(Aeq[j])) == Beq[j] for j in range(len(Aeq))))
m.setObjective(sum(v[i]*c[i] for i in range(len(c))), GRB.MINIMIZE)
m.update()
m.optimize()
return [int(v.x) for v in m.getVars()] if m.Status == GRB.OPTIMAL else None

当然，如果不是所有的边界都是整数或二进制的，你可能需要更多的变量类型处理，或者scipy提供的其他各种可能性，如列表与标量，无值等。不用说，它可以在几行Python代码中完成。