🔖 キーワード索引

本ページは 数理最適化（Mathematical Optimization）を多角的に解説します。 上のチップは、 検索・関連語の手がかりです。

🔖 増補: 数理最適化を相関ページ級に読む

この増補は、数理最適化を「用語の暗記」ではなく、実データで使い、数式を言葉に戻し、結果の限界まで説明するための補講である。使用データは data/raw/SSDSE-B-2026.csv の実測値であり、乱数生成による合成データは使わない。

🔖 キーワード索引（拡張版）

本ページに登場する主要キーワード 10 件。 クリックで該当セクションへ。

🎨 直感で掴む — 具体例で理解する

最適化問題の一般形：

目的関数 $f(x)$ を最小化、 制約 $g_i(x) \le 0$ のもとで

例：

問題の 形（凸 / 非凸、 線形 / 非線形、 連続 / 整数）で適用手法が大きく変わります。

🎨 47 都道府県への医療資源配分という最適化問題

数理最適化を SSDSE-B-2026 で実感するなら、 「限られた一般診療所数 (I5102) を 47 都道府県にどう割り当てれば 地域格差を最小化 できるか」を考える。 決定変数は各県への配分 $x_i$、 制約は「一般診療所数の合計 = 全国数 (実測 104,894 施設) 」「各県の最低基準 ≥ 人口 1 万人あたり 8 施設」など、 目的関数は「県別 1 万人あたり一般診療所数の標準偏差を最小化」。 この時点で 3 つの構成要素 (決定変数・制約・目的関数) が揃い、 「最適化＝ Excel ソルバーで解ける線形計画」 として可視化できる。

→ 全 47 県を「人口 1 万人あたり一般診療所数 = 8.44（全国平均, 104,894 施設 ÷ 総人口）」に揃える解は、 SciPy linprog や PuLP で数秒で求まる。 これが数理最適化の 「定式化 → 求解 → 配分」 という一連の流れ。

🎨 直感で掴む — 3 つの比喩

もう一歩深い直感: 「問題の形」で解法が決まる

📐 定義・数式

📐 数式または定義

最適化問題の一般形：

$$\min_{\boldsymbol{x} \in \mathbb{R}^n} f(\boldsymbol{x}) \quad \text{s.t.} \quad g_i(\boldsymbol{x}) \le 0 \;(i=1,\dots,m), \; h_j(\boldsymbol{x}) = 0 \;(j=1,\dots,p)$$

勾配降下法：

$$\boldsymbol{x}_{t+1} = \boldsymbol{x}_t - \eta \nabla f(\boldsymbol{x}_t)$$

ラグランジュ関数（等式制約のみ）：

$$L(\boldsymbol{x}, \boldsymbol{\lambda}) = f(\boldsymbol{x}) + \sum_{j=1}^{p} \lambda_j h_j(\boldsymbol{x})$$

KKT 条件（不等式制約込み）：

$$\nabla f + \sum_i \mu_i \nabla g_i + \sum_j \lambda_j \nabla h_j = 0, \; \mu_i \ge 0, \; \mu_i g_i = 0$$

🔬 記号・要素の読み解き

🔬 数式を言葉で読み解く

各都道府県 i について、実測 y_i とモデル予測 x_i^T beta のずれを二乗し、係数 beta が大きくなり過ぎないよう lambda で罰則を足す。最適化は「誤差を小さくする」だけでなく「過度に複雑にしない」折り合いを探す操作である。

🧮 数値例・実値計算

例：簡単な 2 次関数 $f(x) = (x-3)^2$ を勾配降下で最小化

10 ステップで最小値 $x = 3$ に到達。 学習率が大きすぎると振動、 小さすぎると遅い。

🧮 実値で計算してみる

このコードでやること：最小二乗の目的関数をSSDSE-B-2026の実測値で作り、人口・高齢者数・気温・宿泊者数・病院数から二人以上世帯の消費支出を説明するリッジ最適化を解く。

入力例：data/raw/SSDSE-B-2026.csv から2023年の47都道府県を抽出し、Prefecture は文字列、A1101 などの統計列は数値に変換する。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

import pandas as pd
import numpy as np

raw = pd.read_csv("data/raw/SSDSE-B-2026.csv", encoding="cp932")
df = raw.iloc[1:].copy()
df = df[df["SSDSE-B-2026"].astype(str) == "2023"].copy()
for col in ["A1101", "A1303", "B4101", "G7101", "I510120", "L3221"]:
    df[col] = pd.to_numeric(df[col], errors="coerce")

X = df[["A1101", "A1303", "B4101", "G7101", "I510120"]].to_numpy(float)
y = df["L3221"].to_numpy(float)
mask = np.isfinite(X).all(axis=1) & np.isfinite(y)
X, y = X[mask], y[mask]
Z = (X - X.mean(axis=0)) / X.std(axis=0)
A = np.c_[np.ones(len(Z)), Z]
penalty = np.diag([0, 1, 1, 1, 1, 1])
beta = np.linalg.solve(A.T @ A + penalty, A.T @ y)
pred = A @ beta
print(f"n = {len(y)}")
print(f"SSE = {np.sum((y - pred) ** 2):,.2f}")
print(f"MAE = {np.mean(np.abs(y - pred)):,.2f}")
print(f"RMSE = {np.sqrt(np.mean((y - pred) ** 2)):,.2f}")
print(np.round(beta, 2))

実行結果：

結果の読み方：MAE約1.68万円は、都道府県別の消費支出を粗い5特徴だけで説明したときの平均的な外れ幅である。係数の符号は因果ではなく、他の特徴を同時に入れた条件付きの傾向として読む。

🧮 実値で計算してみる（SSDSE-B-2026 47 都道府県）

STEP 1: 問題設定

合計特殊出生率 A4103 を、 総人口 A1101 / 65 歳以上人口 A1303 / 年平均気温 B4101 の 3 変数で線形回帰：$$\min_{\boldsymbol{w}, b} \sum_{i=1}^{47} \left( y_i - (w_1 z_{i1} + w_2 z_{i2} + w_3 z_{i3} + b) \right)^2$$ ただし $\boldsymbol{z}_i$ は StandardScaler 後の特徴量。

STEP 2: 都道府県 (年度=2023) の抜粋

STEP 3: 解析解（凸最適化の閉形式）

標準化済み $X$（47×3 行列）に対し、 $\boldsymbol{w}^* = (X^\top X)^{-1} X^\top y$。 計算結果：

→ 気温が高い県ほど出生率がやや高く、 総人口・高齢人口が多い県ほど低い。 ただし $R^2 = 0.65$ なので残差大、 非線形性が示唆される。

🧮 数式に値を入れて手で計算する: 線形計画 (2 変数)

max 3x + 2y s.t. x+y≤4, x≤3, y≤3, x,y≥0 を頂点列挙で解く。

Step 1: 制約と頂点

Step 2: 検算

🐍 Python で再現

1
2
3
4
5
6
7

from scipy.optimize import linprog
# minimize -3x -2y
c = [-3, -2]
A = [[1,1],[1,0],[0,1]]
b = [4, 3, 3]
res = linprog(c, A_ub=A, b_ub=b, bounds=[(0,None),(0,None)])
print(f"x*={res.x.round(2)}, f*={-res.fun}")

📤 実行結果

💬 手計算 (Step 1) f*=11 と Python 出力が完全一致。

🧮 SSDSE-B-2026 実値: 47 都道府県の病院配置「最大カバー問題」を 0-1 整数計画で解く

このコードでやること：SSDSE-B-2026 の都道府県別の総人口 A1101 と病院数 I510120 を読み込み、 5 県だけに医療リソースを集中投資できると仮定したときに「カバーできる総人口を最大化する」整数計画を解く。 これは数理最適化の典型である施設配置問題 (Facility Location Problem) の最小モデル。

問題の定式化：47 都道府県のうち $k=5$ 県を選び、 選ばれた県の総人口の合計を最大化する。 決定変数 $x_i \in \{0,1\}$ は「県 i を選ぶ＝1, 選ばない＝0」を表し、目的関数と制約は次のとおり。

$$\max_{x \in \{0,1\}^{47}} \; \sum_{i=1}^{47} a_i \, x_i \quad \text{s.t.} \quad \sum_{i=1}^{47} x_i = 5$$

ここで $a_i$ は県 i の総人口 (A1101)。 これは「ナップサック問題の制約を等式に置換した形」で、 解析的には自明 (人口上位 5 県を選ぶ) だが、 LP 緩和との比較、 分枝限定法の停止条件、 制約追加時の感度を学ぶ題材として価値がある。

Step 1: 入力データ (SSDSE-B-2026, 2023 年度)

Step 2: 手計算 — 整数計画の最適解 (人口上位 5 県)

目的関数は線形・制約も線形・変数は 0-1 なので、 この問題は LP 緩和したときに変数が自動的に整数になる「総ユニモジュラ」のクラスに属さないが、 制約が 1 本だけなので貪欲法 (greedy) が最適解を与える。 上位 5 県を抜き出すと:

→ 日本の全人口約 1.25 億のうち約 37.7% を 5 県だけでカバーできる。 これは「都市集中」を数値で再確認できる結果でもある。

Step 3: Python (scipy.optimize.milp) で再現

このコードでやること：scipy 1.10+ の milp (混合整数線形計画) で同じ問題を解き、 手計算の最適値 46,886,000 と完全一致することを示す。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

import pandas as pd
import numpy as np
# Integrality クラスはブラウザ版 scipy には無い。
# milp の integrality 引数（下で使っている）だけで同じ指定ができる。
from scipy.optimize import milp, LinearConstraint, Bounds

raw = pd.read_csv("data/raw/SSDSE-B-2026.csv", encoding="cp932")
df = raw.iloc[1:].copy()
df = df[df["SSDSE-B-2026"].astype(str) == "2023"]
pop = pd.to_numeric(df["A1101"], errors="coerce").to_numpy(float)
names = df["Prefecture"].to_numpy()

# 目的関数 -a_i (milp は最小化なので符号反転)
c = -pop
# ∑ x_i = 5
A = np.ones((1, len(pop)))
constraints = LinearConstraint(A, 5, 5)
bounds = Bounds(lb=0, ub=1)
res = milp(c=c, constraints=constraints,
           integrality=np.ones_like(c), bounds=bounds)
picked = names[res.x > 0.5]
print("選ばれた県:", picked)
print(f"カバー人口: {-res.fun:,.0f} 人")

Step 4: 実行結果と一致確認

💬 手計算 Step 2 の最適値 46,886,000 と Python の milp 解が完全一致 (誤差 0)。 これで「整数計画ソルバが正しく動いている」「手計算による検証が可能」の二つを同時に確認できた。

🧮 SSDSE-B-2026 実値: 凸関数の勾配降下法 — 47 都道府県の年平均気温の予測誤差を最小化

このコードでやること：SSDSE-B-2026 の B4101 (年平均気温) を「全県共通の単一定数 $c$ で予測したい」という最小モデルで、 目的関数 $L(c) = \sum_{i=1}^{47}(c - t_i)^2$ を勾配降下法 (Gradient Descent) で最小化する。 最適解は標本平均 $\bar{t}$ であることを手計算で示し、 勾配降下が同じ値に収束することを Python で確認する。

これは数理最適化の最小教材で、 「目的関数が凸 → 勾配 = 0 が大域最適 → 反復法が大域最適に到達」の三段論法を実体験できる。

Step 1: 数式と最適性条件

$$L(c) = \sum_{i=1}^{47}(c - t_i)^2, \qquad \frac{dL}{dc} = 2 \sum_{i=1}^{47}(c - t_i) = 2 \left( 47 c - \sum t_i \right)$$

$\frac{dL}{dc} = 0$ より $c^* = \frac{1}{47} \sum_{i=1}^{47} t_i = \bar{t}$。 つまり「定数で予測する」最適解は標本平均そのもの。 これは数値最適化と統計推定の橋渡しでもある。

Step 2: 47 県の年平均気温と平均

Step 3: 勾配降下法の反復 (η = 0.005, 初期値 c_0 = 0)

→ 約 20 反復で $c \approx 16.80$ ℃ に収束、 これは Step 2 の標本平均 $\bar{t}$ と完全一致。 凸関数なので初期値に依存せず大域最適に到達する。

Step 4: Python (numpy) で再現

このコードでやること：SSDSE-B-2026 の B4101 列を読み込み、 勾配降下を 50 回反復し、 手計算 Step 3 の収束値と一致するかを確認する。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

import pandas as pd
import numpy as np

raw = pd.read_csv("data/raw/SSDSE-B-2026.csv", encoding="cp932")
df = raw.iloc[1:].copy()
df = df[df["SSDSE-B-2026"].astype(str) == "2023"]
t = pd.to_numeric(df["B4101"], errors="coerce").dropna().to_numpy(float)
n = len(t)

c = 0.0
eta = 0.005
for k in range(50):
    grad = 2 * (n * c - t.sum())
    c -= eta * grad
print(f"勾配降下の収束値 c = {c:.4f} ℃")
print(f"標本平均  t̄  = {t.mean():.4f} ℃")
print(f"差               = {abs(c - t.mean()):.2e}")

Step 5: 実行結果と一致確認

💬 50 反復後の勾配降下の値と標本平均が小数 4 桁まで一致 (差は浮動小数点の丸め誤差レベル)。 これにより「目的関数が凸なら勾配降下で大域最適に到達できる」という数理最適化の基本性質を、 47 都道府県の実データで定量的に確認できた。

🧮 SSDSE-B-2026 実値: 勾配降下の学習率を変えて挙動を観察する

同じ目的関数 $L(c) = \sum(c - t_i)^2$ で学習率 $\eta$ を変化させたときの挙動。 数理最適化では学習率の設計が実用上の最重要パラメータの 1 つ。

→ 凸関数でも学習率が大きすぎると発散する。 理論的には $\eta < \frac{2}{\lambda_{\max}}$ (Hessian の最大固有値) が安定条件。 この例では $\lambda_{\max} = 2 \cdot 47 = 94$ なので $\eta < 2/94 \approx 0.0213$ が安定の境界となり、 上の表 (0.02 ぎりぎり、 0.025 で発散) と整合する。

💬 この観察は、 機械学習の SGD やニューラルネットの学習でも同じ理論で説明される。 数理最適化の「学習率＝ステップサイズ」の選択は、 単なるハイパーパラメータではなく「目的関数の曲率の逆数」という幾何学的な意味を持っている。

🧮 SSDSE-B-2026 実値: 47 都道府県の輸送計画問題 — 線形計画法による費用最小化

このコードでやること：SSDSE-B-2026 の総人口 A1101 を需要、 一般病院数 I510120 を供給と読み替え、 3 拠点 (北海道・東京・大阪) から 5 需要地 (沖縄・福岡・愛知・神奈川・北海道) へ「医療リソース」を輸送する最小費用問題を線形計画法で解く。 距離 (輸送費) は教材用の架空値だが、 供給・需要は実測に基づき両辺をバランスさせている。 これは数理最適化の代表的な応用 (transportation problem)。

Step 1: 問題設定 (Hitchcock 形式の輸送問題)

$$\min_{x_{ij} \geq 0} \; \sum_{i=1}^{3} \sum_{j=1}^{5} c_{ij} \, x_{ij} \quad \text{s.t.} \quad \sum_{j} x_{ij} = s_i, \; \sum_{i} x_{ij} = d_j$$

$x_{ij}$ は拠点 i から需要地 j への輸送量、 $c_{ij}$ は単位輸送費 (距離 × 単価で近似)、 $s_i$ は拠点の供給量、 $d_j$ は需要地の需要量。

Step 2: SSDSE-B-2026 から実値を抜粋し、 簡易輸送費を架空の近似距離 (km) で代用

Step 3: 手計算による近似最適解 (北西隅法 + ステッピングストーン法)

北西隅法 (NW Corner Method) で初期解を作る:

この NW 解は最適ではない。 単体法 (simplex) で改善すると、 「沖縄を北海道発、 福岡を北海道・大阪発、 愛知を東京・大阪発、 神奈川を東京発、 北海道は自県内消費」へとリソース配分を変えるルートが最小費用となる:

Step 4: Python (scipy.optimize.linprog) で再現

このコードでやること：上記の輸送問題を 15 変数 (3 拠点 × 5 需要地) の線形計画として定式化し、 単体法で解く。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

import numpy as np
from scipy.optimize import linprog

# 供給拠点 (北海道, 東京, 大阪) 一般病院数 I510120 を 1/100 で正規化
s = np.array([4.64, 5.88, 4.63])
# 需要地 (沖縄, 福岡, 愛知, 神奈川, 北海道) 人口比を供給計 15.15 に正規化
d = np.array([0.78, 2.73, 3.99, 4.93, 2.72])
# 距離行列 (km / 100)
C = np.array([[23.0,13.2,12.0, 8.4, 0.0],
              [19.5, 8.5, 3.7, 0.6, 8.5],
              [16.5, 5.4, 2.0, 5.0,13.2]])
c = C.flatten()           # 目的 15 次元
# 供給制約 ∑_j x_ij = s_i, 需要制約 ∑_i x_ij = d_j
A_eq = np.zeros((8, 15))
for i in range(3):
    A_eq[i, i*5:(i+1)*5] = 1
for j in range(5):
    for i in range(3):
        A_eq[3+j, i*5+j] = 1
b_eq = np.r_[s, d]
res = linprog(c=c, A_eq=A_eq, b_eq=b_eq,
              bounds=[(0, None)]*15)
print(f"最適総費用 z* = {res.fun:.2f}")
print("最適輸送量 (拠点×需要地, 3×5):")
print(res.x.reshape(3, 5).round(2))

Step 5: 実行結果と一致確認

💬 手計算 (Step 3) の最適総費用 54.13 と Python の linprog 解が完全一致 (小数 2 桁まで)。 最適輸送経路は手計算と微妙に異なる (複数の最適解が存在するケース、 退化頂点) が、 目的関数値は同じ。 これは線形計画法の「最適解は一意ではないが最適値は一意」という基本性質。

→ この輸送問題は「数理最適化＝抽象的な数学」ではなく、 SSDSE-B-2026 のような実データを使って「医療リソースをどこに振り分けるか」という現実の意思決定に直結することがわかる。

🧮 SSDSE-B-2026 実値: ラグランジュ未定乗数法による予算制約付き最適化

このコードでやること：SSDSE-B-2026 の総人口 A1101 と高齢人口 A1303 を使い、 「総予算 1000 億円を 2 つの政策 (子育て支援 $x$ 億円、 高齢者支援 $y$ 億円) に配分する」シナリオで、 効用関数 $U(x, y) = \alpha \log(x) + \beta \log(y)$ を予算制約 $x + y = B$ の下で最大化する問題をラグランジュ未定乗数法で解く。 これは数理最適化の代表的な等式制約最適化問題。

Step 1: 数式 — ラグランジアン

$$\mathcal{L}(x, y, \lambda) = \alpha \log(x) + \beta \log(y) - \lambda (x + y - B)$$

最適性条件 (KKT) は $\partial \mathcal{L} / \partial x = \alpha/x - \lambda = 0$、 $\partial \mathcal{L} / \partial y = \beta/y - \lambda = 0$、 そして制約 $x + y = B$。 これより $\lambda = \alpha/x = \beta/y$ となり、 $x : y = \alpha : \beta$ の比率で配分するのが最適。

Step 2: SSDSE-B-2026 から効用関数の係数 $\alpha, \beta$ を導出

$\alpha, \beta$ は「政策の対象人口に比例」と仮定。 SSDSE-B-2026 2023 年の総人口比:

Step 3: 手計算による解析解

→ 子育て支援に予算の約 67.4%、 高齢者支援に約 32.6% を配分するのが効用最大。 ここでの λ* ≈ 0.00089 は「予算を 1 単位増やしたときに増える効用」を意味する (シャドウプライス)。

Step 4: Python (scipy.optimize.minimize) で再現

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22

import numpy as np
from scipy.optimize import minimize

alpha, beta, B = 0.60, 0.29, 1000
def neg_U(z):
    x, y = z
    return -(alpha * np.log(x) + beta * np.log(y))
cons = {"type": "eq", "fun": lambda z: z[0] + z[1] - B}
# ftol を既定のままにすると、 目的関数 (対数効用) の変化量が小さすぎるため
# SLSQP は 1 反復目で「収束した」と判断し、 初期値 [500, 500] のまま止まってしまう。
# しかも res.success は True・message も "successfully" になるので気付きにくい。
res = minimize(neg_U, x0=[500, 500], constraints=cons,
               bounds=[(1e-3, None), (1e-3, None)],
               method="SLSQP", options={"ftol": 1e-12, "maxiter": 500})
x_opt, y_opt = res.x
print(f"x* = {x_opt:.2f} 億円, y* = {y_opt:.2f} 億円")
print(f"最大効用 U* = {-res.fun:.4f}")
print(f"シャドウプライス λ* = {alpha/x_opt:.6f}")
print(f"反復回数 = {res.nit}  (1 なら初期値から動いていない = 要注意)")

# 解析解と突き合わせて、 ソルバが本当に解けたかを確かめる
print(f"解析解    x* = {B*alpha/(alpha+beta):.2f}, y* = {B*beta/(alpha+beta):.2f}")

Step 5: 実行結果と一致確認

💬 手計算 (Step 3) の x* ≈ 674.16, y* ≈ 325.84, U* ≈ 5.586, λ* ≈ 0.00089 と Python の SLSQP ソルバ出力が小数 4 桁まで完全一致。 ただし、 この一致は自動では得られない。 minimize のオプションを既定のままにすると、 SLSQP は 1 反復目で「収束しました」と報告して初期値 [500, 500] のまま停止する（res.success は True、 メッセージも "Optimization terminated successfully"）。 原因は収束判定 ftol が既定 1e-6 で、 対数効用の変化量 (U は 5.53 → 5.59 と 0.06 しか動かない) がその閾値に対して小さすぎるため。 ftol=1e-12 にすると 14 反復かけて正しい解に到達する。
ここが最適化を使ううえで最も危険な落とし穴である。 ソルバが "success" を返しても、 それは「収束条件を満たした」という意味であって 「正しい最適解に着いた」という保証ではない。 コード中で 反復回数 res.nit を印字し (1 なら初期値から動いていない)、 可能なら解析解と突き合わせるのは、 このためのごく安価な保険である。 これにより「ラグランジュ未定乗数法は等式制約付き最適化の一般解法」「シャドウプライス λ は予算 1 単位あたりの効用増加を表す」という数理最適化の重要概念を SSDSE-B-2026 由来のパラメータで定量確認できた。

→ 経済政策・予算配分・ポートフォリオ最適化など、 ラグランジュ未定乗数法は社会全般の意思決定で広く使われる。 SSDSE-B-2026 のような公的統計から $\alpha, \beta$ を導出することで、 議論の根拠を「数字」で語ることができる。

🧮 SSDSE-B-2026 実値: 凸性 / 非凸性の見分けと、 メタヒューリスティクスの必要性

このコードでやること：SSDSE-B-2026 の 47 都道府県の年平均気温 B4101 に対して、 「単峰の予測モデル」と「双峰の予測モデル」を作り、 凸目的関数なら大域最適、 非凸なら局所最適に陥る危険を可視化する。

Step 1: 凸 vs 非凸の判定例

$$f_1(c) = \sum_{i=1}^{47}(c - t_i)^2 \quad \text{(凸: 2次関数)}, \qquad f_2(c) = \sum_{i=1}^{47} \min\!\big((c-t_i)^2, 100\big) \quad \text{(非凸: クリップ付き)}$$

$f_1$ は二階導関数が $2 \cdot 47 = 94 > 0$ で常に凸、 大域最適が一意に存在 ($c^* = \bar{t} \approx 15.40$ ℃)。 一方 $f_2$ は誤差が 10 ℃ を超える点を「クリップ」するため、 各 $t_i$ ごとに極小値ができ非凸となる。

Step 2: 各候補値での目的関数値 (47 県の気温で計算)

Step 3: 解決策 — メタヒューリスティクスの使用

非凸関数 $f_2$ は勾配降下では初期値次第で間違った局所最小に止まる。 そこでメタヒューリスティクスを使う:

→ 凸関数なら勾配降下で十分、 非凸関数ならメタヒューリスティクスやベイズ最適化を併用するのが定石。 この判断は数理最適化の実務で最初に決めるべき設計事項。

💬 SSDSE-B-2026 の単純な気温データでも、 目的関数の形を少し変えるだけで凸性が崩れ、 解法選択が大きく変わる。 数理最適化は「問題を解く」のではなく「問題の数学的性質を理解する」ことが本質。

🧮 SSDSE-B-2026 実値: 双対問題と感度分析 — 制約をゆるめると目的関数値はどれくらい改善するか

このコードでやること：先述の最大カバー問題 (5 県選択 → 46,886,000 人カバー) で「選択可能な県数 k を 5 → 6 → 7 と緩めたとき、 カバー人口がどれくらい増えるか」を実値で計算する。 これは線形計画の双対性が与えるシャドウプライスの教育的な体験になる。

Step 1: 制約を緩めた時のカバー人口の変化

→ 制約を 1 つ緩めるたびに目的関数値が増えるが、 増加幅は減少する (限界効用の逓減)。 これは線形計画の双対変数 (シャドウプライス) が「制約を 1 単位緩めたときの目的関数値の増加」を表すという定理を実値で示している。

💬 実務的には「予算を 1 億円増やしたら効果は何増えるか」「製造ラインを 1 本増やしたら売上はいくら増えるか」といった意思決定に直結。 数理最適化を解くだけでなく「最適解の感度を双対変数で読み解く」ことが、 ビジネス価値を生む応用法。

🧮 SSDSE-B-2026 実値: ソルバ選択ガイド — 問題の構造別に何を使うか

数理最適化 を含むデータ分析は、 分野によって使われ方が違います。 下の表は分野ごとの代表的な用途で、 数理最適化 だけの用途一覧ではありません。 自分の分野の行を見て、 どんな問いにデータを使うのかを掴んでください。

→ 「問題の数学的構造 (連続 / 整数, 凸 / 非凸, 線形 / 非線形) を最初に分類し、 それに合うソルバを選ぶ」が数理最適化の実務手順の第 1 ステップ。 SSDSE-B-2026 のような身近なデータでも、 同じ 47 都道府県を題材に 6 種類の問題が立ち上がり、 それぞれ異なるソルバが最適。 大学院・実務レベルではこの分類自体が研究テーマになる。 数理最適化は意思決定の科学そのものである。

🐍 Python 実装例

このコードでやること：Rosenbrock 関数という代表的な最適化ベンチマークを、BFGS 法で最小化する。多変数の目的関数を定義し、初期値から最適解に近づく流れを最小構成で確認する。

入力例：初期値 x0=[0, 0]、目的関数 (1 - x[0])**2 + 100 * (x[1] - x[0]**2)**2、手法 BFGS を指定する。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

from scipy.optimize import minimize
import numpy as np

# Rosenbrock 関数の最小化（最適化ベンチマーク）
def rosenbrock(x):
    return (1 - x[0])**2 + 100 * (x[1] - x[0]**2)**2

result = minimize(rosenbrock, x0=[0, 0], method='BFGS')
print(f'最適解: {result.x}')
print(f'最適値: {result.fun:.6f}')

実行結果：

結果の読み方：最適解がほぼ [1, 1]、最適値がほぼ 0 なので、目的関数の谷底に到達している。実データのモデルでは、この「目的関数を小さくする」という操作が、誤差や損失を小さくする学習に対応する。

🐍 Python 実装

このコードでやること：待機児童数 J250502 を価値、総人口 A1101 を支援コストの代理として、限られた支援枠をどの都道府県に割り当てるかを0-1ナップサックで解く。

入力例：同じSSDSE-B-2026の実データを用いる。必要な列だけを取り出し、列名を明示してから処理する。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

import pandas as pd

raw = pd.read_csv("data/raw/SSDSE-B-2026.csv", encoding="cp932")
df = raw.iloc[1:].copy()
df = df[df["SSDSE-B-2026"].astype(str) == "2023"].copy()
for col in ["A1101", "J250502"]:
    df[col] = pd.to_numeric(df[col], errors="coerce")

# 待機児童数を価値、人口100万人をコストとみなす教材用0-1最適化。
items = df[["Prefecture", "A1101", "J250502"]].dropna().copy()
items["cost"] = (items["A1101"] / 1_000_000).round(1)
items["value"] = items["J250502"].astype(int)
print(items.sort_values("value", ascending=False).head(10))

実行結果：

結果の読み方：貪欲に最大値だけ選ぶと大都市に偏る。最適化モデルは目的関数と制約を明示するので、何を優先した結果かを説明しやすい。

🐍 Python 実装（数理最適化、 SSDSE-B-2026）

コード 1: 解析解（閉形式）で線形回帰を解く

🎯 このコードでやること：SSDSE-B-2026 の出生率 A4103 を 3 変数で線形回帰し、 $\boldsymbol{w}^* = (X^\top X)^{-1} X^\top y$ を直接計算する。

📥 入力データ (SSDSE-B-2026 から抽出):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

import numpy as np, pandas as pd
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023].copy()
X = d[['A1101', 'A1303', 'B4101']].values.astype(float)
y = d['A4103'].values
# 標準化
mu, sd = X.mean(0), X.std(0)
Xs = (X - mu) / sd
# 切片列を追加して閉形式
Xb = np.hstack([Xs, np.ones((len(Xs), 1))])
w_star = np.linalg.solve(Xb.T @ Xb, Xb.T @ y)
y_hat = Xb @ w_star
r2 = 1 - ((y - y_hat) ** 2).sum() / ((y - y.mean()) ** 2).sum()
print('係数:', np.round(w_star, 3))
print(f'R^2  = {r2:.3f}')
print(f'RMSE = {np.sqrt(((y - y_hat)**2).mean()):.3f}')

📤 実行すると次の出力が得られる:

💬 結果の読み方：閉形式は 1 行で解ける（小規模凸問題の威力）。 $R^2=0.65$ は中程度の説明力、 都道府県によって残差にばらつきがある（特に京都が外れ値）。

コード 2: 勾配降下を手書きで反復

🎯 このコードでやること：同じ問題を勾配降下で解き、 収束過程を観察する。 学習率 $\eta=0.05$ を 200 回反復。

📥 入力データ (SSDSE-B-2026 から抽出):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

import numpy as np
w = np.zeros(Xb.shape[1])
eta = 0.05
loss_hist = []
for t in range(200):
    grad = (2 / len(Xb)) * Xb.T @ (Xb @ w - y)
    w -= eta * grad
    loss = ((Xb @ w - y) ** 2).mean()
    loss_hist.append(loss)
print('100 反復後:', np.round(w, 3))
print(f'最終 loss   = {loss_hist[-1]:.5f}')
print(f'1 反復目 loss = {loss_hist[0]:.5f}')
print(f'100 反復目  loss = {loss_hist[99]:.5f}')

📤 実行すると次の出力が得られる:

💬 結果の読み方：勾配降下も 100 反復程度で閉形式と同じ解に到達。 損失は $1.37 \to 0.006$ と急減（最初の 20 反復で 98% 達成）。 SSDSE 規模では閉形式が圧倒的に速いが、 大規模データでは反復法が現実的。

コード 3: scipy.optimize.minimize（BFGS 法）

🎯 このコードでやること：同じ問題を準ニュートン法 (BFGS) で解く。 2 次収束で勾配降下より速い。

📥 入力データ (SSDSE-B-2026 から抽出):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

from scipy.optimize import minimize
def loss(w):
    return ((Xb @ w - y) ** 2).mean()
def grad(w):
    return (2 / len(Xb)) * Xb.T @ (Xb @ w - y)

res = minimize(loss, x0=np.zeros(Xb.shape[1]),
               jac=grad, method='BFGS')
print('反復回数:', res.nit)
print('係数  :', np.round(res.x, 3))
print(f'最終 loss = {res.fun:.5f}')
print('収束:', res.success)

📤 実行すると次の出力が得られる:

💬 結果の読み方：BFGS は 13 反復で収束。 勾配降下 (200 反復) と同じ解に到達。 SSDSE 規模ではどちらでも瞬時だが、 高次元・大規模問題では BFGS / LBFGS の優位性が顕著。

コード 4: 非凸最適化（MLP + ReLU）と局所最適

🎯 このコードでやること：同じ問題を 2 層 MLP (16,8) + ReLU で解き、 初期値による解の違いを観察。 非凸性で複数の局所解が現れる。

📥 入力データ (SSDSE-B-2026 から抽出):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

from sklearn.neural_network import MLPRegressor
from sklearn.preprocessing import StandardScaler
ss_y = StandardScaler()
ys = ss_y.fit_transform(y.reshape(-1, 1)).ravel()
scores = []
for seed in [0, 1, 42, 100, 2024]:
    mlp = MLPRegressor(hidden_layer_sizes=(16, 8), activation='relu',
                       max_iter=5000, random_state=seed,
                       learning_rate_init=0.01).fit(Xs, ys)
    scores.append((seed, round(mlp.score(Xs, ys), 4)))
for s, r in scores:
    print(f'seed={s:4d}  R² = {r}')
print('最大 R² (最良初期値):', max(r for _, r in scores))
print('最小 R² (最悪初期値):', min(r for _, r in scores))

📤 実行すると次の出力が得られる:

💬 結果の読み方：MLP は線形 ($R^2=0.65$) より大きく改善するが、 初期値 (seed) で $R^2$ が 0.67〜0.93 に揺れる（非凸性）。 実務では複数 seed で multistart し最良値を採用する。

⚠️ よくある落とし穴

⚠️ 定式化での 5 つの罠

⚠️ 落とし穴 — 7 件

🏭 産業界での活用例

❓ FAQ 10 問

🖼 図で振り返る数理最適化

数理最適化は「制約付きで目的関数を最大/最小化」する枠組み。 OLS の幾何、 残差の収束、 多重共線性の影響を 3 図で振り返る。

読み方: 図 1 で「最適化は射影」、 図 2 で「停留性の確認」、 図 3 で「条件数と感度」と、 数理最適化の 3 つの柱が視覚的に整理される。

📝 理解度チェック（5 問）

1. Q1. 目的関数 $f(x)=x^2-4x+3$ の最小値を与える $x^*$ と最適値 $f(x^*)$ を求めよ（解析的に）。
   A. $f'(x)=2x-4=0 \Rightarrow x^*=2$、 $f(2)=4-8+3=-1$。 $f''=2>0$ より凸関数なので大域最小。
2. Q2. SSDSE-B-2026 の A1101（総人口）と A4103（外国人比率）を用いた線形回帰の MSE を勾配降下で最小化したい。 学習率 $\eta$ を 1.0 と 0.001 のどちらに設定すべきか、 理由付きで答えよ。
   A. スケール差が約 10^6 倍あるため、 標準化なしで $\eta=1.0$ だと発散。 標準化後なら $\eta=10^{-2}$〜$10^{-3}$ が安全。 SSDSE 規模では LBFGS（学習率不要）が推奨。
3. Q3. $\min_x f(x)$ subject to $g(x) \le 0$ の KKT 条件 4 つを書け。
   A. (1) 停留性 $\nabla f + \mu \nabla g = 0$、 (2) 実行可能性 $g(x) \le 0$、 (3) 双対実行可能性 $\mu \ge 0$、 (4) 相補性 $\mu g(x)=0$。
4. Q4. 「整数計画 (IP) は変数 100〜1000 程度なら厳密解可能、 それ以上は近似」と言われる根拠を NP 困難性の観点から述べよ。
   A. 整数計画は NP 困難 (0-1 ナップサックを含む) で最悪計算量は変数数に対し指数。 分枝限定法は枝刈りで実用化できる範囲が 100〜1000 変数。 それ以上は LP リラクゼーション + 焼きなまし・GA・cutting plane など近似に頼る。
5. Q5. 凸関数の典型例を 5 つ挙げ、 そのうち微分不能なものはどれか答えよ。
   A. $x^2$, $e^x$, $-\log x$, $|x|$, $\max(0,x)$ (ReLU)。 微分不能は $|x|$ (原点) と ReLU (原点)。 劣勾配を使えば最適化可能。

🧭 数理最適化の選び方フローチャート

このコードでやること：SSDSE-B-2026 の 47 都道府県データで scipy.optimize.linprog による「最小費用で 3 県以上カバーする物流拠点選択」LP を解く（簡易版）。

📥 入力：SSDSE-B-2026 の A1101 列（県人口）。 拠点 4 候補（北海道・東京・愛知・福岡）の各設置コスト $c$ と各県への到達コスト行列 $d_{ij}$ をシナリオデータとして与える。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

import numpy as np
from scipy.optimize import linprog

# 拠点コスト c（4 拠点）
c = np.array([200, 350, 280, 220], dtype=float)

# 各県を最低 1 拠点でカバーする制約（簡易：3 県ずつ 4 拠点）
# A_ub @ x <= b_ub を「-A_ub @ x <= -b_ub」で「カバー必要数 >= 3」に変換
A_ub = -np.array([
    [1,1,0,0],  # 県1: 北海道 or 東京
    [0,1,1,0],  # 県2: 東京 or 愛知
    [0,0,1,1],  # 県3: 愛知 or 福岡
], dtype=float)
b_ub = -np.ones(3)  # 各県 >=1 拠点でカバー

res = linprog(c=c, A_ub=A_ub, b_ub=b_ub,
              bounds=[(0,1)]*4, method='highs')
print(f'最適コスト = {res.fun:.1f}')
print(f'各拠点選択比率 = {np.round(res.x,2)}')

📤 実行結果：

💬 結果の読み方：LP のリラクゼーション解では 北海道 と 愛知 の 2 拠点で全 3 県をカバー、 総コスト 480 が最適。 整数制約を厳密に課したい場合は scipy.optimize.milp へ切り替える。 SSDSE 規模では数十ミリ秒で解ける。

🌐 関連手法・派生

数理最適化は線形計画 (LP) / 整数計画 (IP) / 非線形計画 (NLP) / 凸最適化 / 組合せ最適化など多様な定式化を含み、 機械学習・OR・経済学・物流に応用される。 隣接分野と比較することで数理最適化の射程と他手法との接続点が見える。

• 上位概念: 意思決定科学 / オペレーションズリサーチ (OR) — 数理最適化は意思決定問題を数式で表現する基幹技術。
• 並列分野: シミュレーション / マルコフ決定過程 / ゲーム理論 — 同じ意思決定課題に別パラダイムで挑む分野群。
• 前段処理: 問題定式化 / 目的関数設計 / 制約抽出 / データ整備 — 実問題を数理モデルに翻訳する工程。
• 後段処理: 感度分析 / 双対変数の解釈 / 解の妥当性検証 / 多目的トレードオフ可視化 — 最適解を業務的意味に戻す工程。
• 派生・拡張: 確率計画 / ロバスト最適化 / オンライン最適化 / 多目的最適化 — 不確実性・動的環境・複数目的への一般化。
• 競合・代替: メタヒューリスティクス (GA / SA / PSO) / 強化学習 — 厳密解保証は無いが大規模・非線形・組合せ問題で有効な代替アプローチ。

これらの関連分野を意識することで、 数理最適化を「単一の最適解探索技術」ではなく「定式化 → 解法 → 解釈 → 実装」の一連の意思決定パイプラインの中核として活用できる。

🔗 関連用語

🔗 関連用語（前提・並列・発展）

リンクはすべてこのリポジトリ内に実在するHTMLに限定している。

📚 関連グループ教材

• 機械学習の基礎：データ分割、評価、汎化の読み方。
• 深層学習：活性化関数、MLP、過学習対策。
• DataFrame：実データを列単位で扱う基礎。
• 概念マップ：周辺用語の位置づけ。

📚 実務補講ノート — 数理最適化

この補講ノートは、数理最適化をSSDSE-B-2026の実データ分析に接続するための読み物である。キーワードは 目的関数、制約、解の安定性、初期値、局所解、正則化、政策上の制約。各項目は、レポート、コードレビュー、口頭発表で質問されやすい観点に対応している。

🗾 公的データ・実教材 — 最適化を手で動かせる一次資料

数理最適化を教科書の例題で終わらせず、 実社会の制約付き問題に橋渡しするための代表的な公的データ:

• SSDSE-B-2026（教育用標準データセット、 独立行政法人統計センター）— 47 都道府県 × 約 100 指標。 「予算配分の最適化」「目的関数の比較（合計最大化 vs 最低水準引き上げ vs 格差最小化）」を演習しやすい代表的データ。
• e-Stat（政府統計の総合窓口、 総務省）— 国勢調査・経済センサス・家計調査が一元的に取得可能。 線形計画法・整数計画法の入力データとして頻用。
• 地域経済分析システム RESAS（内閣府・経済産業省）— 自治体別・産業別の経済指標。 立地・配送最適化（施設配置問題）の教材として実用的。
• e-Gov 行政データポータル（デジタル庁）— 政府保有データのカタログ。 公共政策の最適化問題（医療資源配分・教育予算配分）に直結する一次資料。
• 国土数値情報（国土交通省）— 道路網・施設位置・人口メッシュ。 ネットワーク最適化（最短経路・施設配置・配送計画）の入力データとして標準的。
• 気象庁オープンデータ— 気温・降水量・日射量。 エネルギー最適化（電力需給バランス、 再生可能エネルギー配分）の制約条件として活用。

📖 日本語標準書・参考文献

• 福島雅夫『新版 数理計画入門』（朝倉書店）— 日本語の決定版。 線形計画・非線形計画・整数計画を厳密に展開。 大学院でも標準教科書として採用。
• 並木誠『最適化と変分法』（東京大学出版会）— 連続最適化の理論基盤。 KKT 条件・双対性・凸性を厳密に押さえたい場合に。
• 『日本オペレーションズ・リサーチ学会』編集教材 — LP・IP・組合せ最適化・ヒューリスティクスの実務応用事例集。
• 『日本統計学会公式認定 統計検定 1 級 公式テキスト』— 最小二乗法・最尤推定・凸最適化の検定論的背景。
• Boyd, S., Vandenberghe, L. Convex Optimization（Cambridge University Press、 無料 PDF 公開）— 凸最適化の世界標準教科書。 SOCP・SDP まで網羅。
• Nocedal, J., Wright, S. Numerical Optimization（Springer）— ニュートン法・準ニュートン法・信頼領域法など数値最適化の決定版。
• Bertsimas, D., Tsitsiklis, J. Introduction to Linear Optimization（Athena Scientific）— 線形計画・整数計画・ネットワーク最適化を実例豊富に解説。

🗺 概念マップ

数理最適化を中心に、 線形計画 LP / 整数計画 IP / 二次計画 QP / 円錐計画 SOCP/SDP / 非線形最適化 / メタヒューリスティクスを、 線形・凸・整数の 3 軸で整理した概念マップ。

数理最適化は線形計画 (LP) ・整数計画 (IP) ・凸最適化に大別される。 SSDSE-B-2026 の県別予算配分問題なら LP、 施設配置なら IP で定式化できる。

🔗 隣接手法への橋渡し

数理最適化は単独の手法というより、 上流の問題定式化 (目的関数 + 制約)、 並列の線形計画/整数計画/凸最適化/メタヒューリスティクス、 下流の感度分析 + 双対変数解釈と組み合わせて使う。 ソルバ (Gurobi / CBC / scipy.optimize) の選定が分かれ目。

• 上流 (前段処理): 問題の定式化 (目的関数 + 制約) — 変数・制約・目的を線形 / 凸の形に書き下す
• 並列 (代替/比較): メタヒューリスティクス / 機械学習 — 厳密解が困難な非凸問題への近似アプローチ
• 下流 (後段活用): 感度分析 / 双対解の解釈 — シャドープライスで制約の限界価値を評価

SSDSE-B-2026 を題材に、 47 都道府県の人口を制約として、 予算配分を線形計画で最適化する例なら、 上流で目的関数 (例: 総生産最大化) と制約 (予算 ≤ X) を定式化、 中段で scipy.optimize.linprog 実行、 下流で双対変数から「各制約の限界費用」を解釈する。

🌳 手法選択フロー

数理最適化の手法選択は、 (1) 目的関数と制約の線形性、 (2) 変数の離散/連続、 (3) 凸性、 で判断する。 線形 + 連続なら LP、 線形 + 整数なら ILP、 非線形凸なら QP / SOCP、 非凸ならメタヒューリスティクスへと階段的に進む。

1. Step 1: 目的関数・制約は線形か?
   • すべて線形・連続 → 線形計画法 (LP) (Simplex / Interior Point)、 scipy.optimize.linprog
   • すべて線形・離散 (整数) → 整数計画法 (ILP)、 PuLP / Gurobi / CPLEX
   • 2 次目的 + 線形制約 → QP (二次計画)、 cvxpy
2. Step 2: 凸性は保証されるか?
   • 凸 → 局所最適 = 大域最適、 Newton / IPOPT で確実に解ける
   • 非凸 + 微分可能 → 多点出発 + 勾配法、 BFGS / L-BFGS
   • 非凸 + 微分不可・離散 → メタヒューリスティクス (GA / SA / PSO)
3. Step 3: 規模と速度は?
   • 変数 < 100 → CVXPY / scipy で十分
   • 変数 100〜10,000 → Gurobi / CPLEX / Mosek の商用ソルバ
   • 変数 > 100,000 → 分解法 (Benders / Dantzig-Wolfe) または分散ソルバ

SSDSE-B-2026 を題材にした例として「47 都道府県の輸送ルート最適化」を考える。 変数は離散 (どの県間に輸送路を引くか)、 目的は輸送距離最小化、 制約は需要充足。 これは典型的な ILP (施設配置問題) で PuLP + CBC ソルバで現実時間に解ける。 一方「人口推計の非線形回帰モデルのパラメータ調整」は非凸 NLP なので、 SciPy の differential_evolution か Optuna でメタヒューリスティクス的に解く。

補講 1: SSDSE-B-2026 で数理最適化を読み解く順序

数理最適化は、 定義だけを暗記しても分析では役に立たない。 SSDSE-B-2026のような都道府県データでは、 列の単位、 年度、 地域単位、 欠損、 外れ値、 標準化の有無が結果を大きく変える。 目的関数・制約・最適解の読み方という観点で、 入力から出力までを一続きに説明できることが重要である。

確認順序は、 (1) 何を入力にしたか、 (2) どの変換をしたか、 (3) どの数式または API が動いたか、 (4) 数値が何を意味するか、 (5) 何を意味しないか、 である。 この順序を崩すと、 数値は出ているのに解釈が曖昧な報告になる。 SSDSE-B-2026 の各列番号 (A1101 など) と単位を必ず併記し、 読み手が再現可能な情報を残す。

🎮 触って理解する

2 変数の 線形計画（LP） を手で動かして、 制約付き最適化を体感する。 目的関数 $z = c_1 x + c_2 y$ を 最大化 し、 実行可能領域（緑の多角形）は 3 つの線形制約と $x,y \ge 0$ で決まる。 目的関数の係数 $(c_1,c_2)$ を変えると最適解（赤い点）が 別の頂点へジャンプ する。 制約の右辺を動かすと領域と最適値が変わる。 青い 等高線（目的関数の等値線） が最適頂点でちょうど実行可能領域に 接する ことに注目してほしい。 これが「線形計画の最適解は必ず頂点で達成される」という定理の可視化である。

操作のヒント: (1) c₂ を大きくすると最適点が y 軸寄りの頂点へ移る。 (2) c₁ を大きくすると x 軸寄りの頂点へ移る。 (3) 制約C（r₃）を上限制約より大きくすると領域が消え、 実行不能（infeasible） になる。 (4) 頂点の座標や単位に実データを載せれば、 「47 都道府県への資源配分」のような現実の LP がそのままこの図になる。

🧭 直感 — 制約の中で最良点を探す

最適化とは「動かせる変数（決定変数）を、 守るべき条件（制約）を破らない範囲で動かし、 良し悪しの尺度（目的関数）を最良にする点を探す」操作である。 線形計画では制約が直線で囲む多角形（実行可能領域）を作り、 目的関数は平らな斜面になる。 斜面を一番高い方へ押し上げていくと、 必ず多角形の 角（頂点） で止まる。 だから解法は「全部の頂点を調べる」あるいは「頂点から頂点へ賢く移動する（シンプレックス法）」に帰着する。 上の図で等高線が頂点に接する瞬間が、 まさにこの「止まる」場面だ。

⚠️ よくある落とし穴

• 局所最適 vs 大域最適: 線形計画（凸問題）では局所最適が必ず大域最適になるので迷わない。 しかし目的関数が非凸（例: ニューラルネットの損失）になると、 山下りの途中の「偽の谷」に捕まる。 これは 勾配降下法 の初期値依存や、 メタヒューリスティクス の多点出発で対処する。
• 実行不能（infeasible）: 上の図で制約C（x + y ≥ r₃）を上限制約より厳しくすると、 全制約を同時に満たす点が消える。 現実でも「予算内かつ品質下限を満たす解が無い」ことは起きる。 まず制約が矛盾していないかを疑う。
• 非有界（unbounded）: 最大化なのに制約が足りないと目的関数がいくらでも大きくできてしまう。 「制約の書き忘れ」の典型症状。
• スケール違い: 変数の単位（人口と気温など）が桁違いだと数値計算が不安定になる。 事前の 標準化 が効く。

🚀 発展 — 凸最適化・ラグランジュ乗数・双対

凸最適化: 実行可能領域が凸集合で目的関数が凸なら、 局所最適 = 大域最適が保証され、 確実に解ける。 線形計画・二次計画・Ridge 回帰はここに入る。 機械学習の「学習」の多くは 損失関数 の最小化であり、 凸なら安心、 非凸なら工夫が要る（機械学習 全般）。

ラグランジュ乗数: 等式制約 $h_j(x)=0$ を目的関数に $\lambda_j h_j(x)$ として足し込み、 制約付き問題を制約なし問題に変換する道具。 不等式制約まで一般化すると KKT 条件 になり、 最適点で「目的の勾配が制約の勾配の重ね合わせで打ち消される」という幾何が現れる。 上の図で等高線が制約線に接する状況が、 まさに勾配が平行になる（＝乗数が正の）瞬間である。 罰則を足して解を単純化する発想は 正則化 と地続きだ。

双対（duality）: どの LP にも対になる「双対問題」があり、 その解（双対変数・シャドープライス）は「制約を 1 単位ゆるめると目的値がどれだけ改善するか」を表す。 上の図で制約A・Bの右辺スライダーを少し動かしたときの最適値の変化率が、 その制約のシャドープライスに相当する。 感度分析はこの双対解の読み方に他ならない。

🎨 直感を深める（増補） — 3 要素と問題の型

数理最適化は、 突き詰めれば 「決定変数」「目的関数」「制約」の 3 要素を書き下す作業に尽きる。 決定変数 $x$ は自分が動かせるつまみ（配分量・係数・on/off）、 目的関数 $f(x)$ は良し悪しを測る 1 本の物差し（最小化または最大化）、 制約 $g_i(x)\le 0,\ h_j(x)=0$ は破ってはいけない縛り。 この 3 つが揃った瞬間に、 曖昧な「なるべく良くしたい」が 解ける問題に変わる。 逆に言えば、 3 要素のどれか 1 つでも言語化できないうちは、 まだ最適化を始められない。

最適解の条件（何をもって「解けた」とするか）。 制約が無ければ、 なめらかな関数の最小点では 勾配がゼロ（$\nabla f(x^\ast)=0$）で、 かつ 2 階微分（ヘシアン）が半正定値。 制約が有れば、 目的の勾配が効いている制約の勾配の重ね合わせで打ち消されるという KKT 条件が成り立つ。 上のウィジェットで等高線が最適頂点にちょうど接する図が、 まさにこの「勾配が制約と平行になる」瞬間の可視化である（詳しくは 連続最適化 / 大域的最小）。

🏥 実データで見る配分最適化 — 一般病院を県間で均す

SSDSE-B-2026（2023 年・47 都道府県）の I510120（一般病院数）と A1101（総人口）を実測で使い、 「限られた一般病院をどう配れば人口あたりの地域格差が最小になるか」を配分最適化として書く。 全国の一般病院は実測 7,065 施設、 総人口は 124,353,000 人。 決定変数は各県の配分数 $x_i$、 等式制約は $\sum_i x_i = 7065$、 目的関数は「人口 1 万人あたり病院数のばらつき（分散）を最小化」。 分散を最小化する解は、 全県を人口 1 万人あたり $7065/124353000\times10000 = 0.568$ 施設にそろえる均等配分になる。

→ 全国平均 1 万人あたり 0.568 施設に対し、 実測の県別値は 神奈川 0.313 〜 高知 1.607 と最大 5.1 倍の開きがあり（単純平均 0.690、 標準偏差 0.274）。 「均等配分」は数式上の最適解だが、 現実には病院を物理的に移せない・救急到達時間・面積あたり需要という制約が抜けている点に注意する。 これは「目的関数の設計しだいで結論が変わる」ことと「モデル化の誤り」の実例でもある（下の落とし穴も参照）。 なお、 この均等化はあくまで格差の数値化のための思考実験であり、 実際の医療政策上の提言ではない。

⚠️ 落とし穴を深掘り（増補・重要）

最適化は「解が出た」ことと「正しく解けた」ことが別物である。 数値が返っても、 下の落とし穴のどれかを踏んでいれば結論は崩れる。 とくに 非凸・実行不能・整数・モデル化・スケールの 5 つは事故が多い。

上の一般病院の配分例で言えば、 「均等配分こそ最適」という結論は 目的の設定ミスと 制約の見落としが同時に起きやすい典型である。 格差（分散）最小化を目的に選んだ結果にすぎず、 到達時間や既存施設の移設不可という制約を入れれば解はまったく変わる。 機械学習の学習が非凸になる（損失関数を 勾配降下法で下げる）局面では、 局所最適の罠がそのまま再現するので、 初期値や 交差検証での再現性確認が欠かせない。

🚀 発展を深める（増補） — 解法の地図

問題の型が決まれば、 使うべき解法もほぼ決まる。 以下は「線形 → 凸 → 整数 → 非凸」と難しくなる順に、 代表的な理論と道具を並べた地図である。

この地図の出発点は、 いつでも「最適化とは 3 要素を書き下すこと」に戻る。 型が線形なら LP、 凸なら安心、 整数や非凸なら分枝限定や近似へ、 と難易度の階段を降りる感覚をつかめば、 SSDSE-B-2026 のような小標本でも大規模な実務問題でも、 同じ言葉で最適化を語れる。 関連ページ: 連続最適化 / 組合せ最適化 / 大域的最小 / クラスタリング（K-means の初期値依存）。 なお 凸最適化・線形計画法・整数計画法・双対・KKT・単体法・内点法・分枝限定法・確率的最適化は本用語集に単独ページが無いため、 ここでは本文中の説明で補っている。