🔖 キーワード索引

このページで扱う主要キーワード（クリックで該当セクションへ）：

🔖 拡張キーワード索引

本セクションは 群知能（Swarm Intelligence） をジャストインタイム型に学べるよう、 12 観点で再整理した拡張索引です。 各チップは本ページ内の該当節へジャンプします。

🎨 直感で掴む

群知能 (Swarm Intelligence) は、 アリ・鳥・蜂・魚などの集団行動に着想を得たメタヒューリスティクス最適化の総称です。 個体は単純なルールで動くだけですが、 群れ全体としては 大域最適に近い解 を発見する 創発が起こります。

代表的なアルゴリズム：

• PSO（粒子群最適化） — 「自分の最良位置 (pbest)」と「群れの最良位置 (gbest)」に引き寄せられる速度ベクトルを各個体が持つ。
• ACO（アリコロニー最適化） — 候補経路にフェロモンを残し、 良い経路ほどフェロモンが濃くなる。 巡回セールスマンや配送計画で強い。
• ABC（人工蜂コロニー） — 偵察蜂・働き蜂・観察蜂の役割分担で探索と利用のバランスを取る。
• Firefly / Cuckoo Search — 明るさの差・宿主の鳥の卵警戒で位置更新する派生型。

群知能の魅力は、 勾配が要らないこと、 ブラックボックス目的関数に使えること、 並列化しやすいこと。 一方で理論保証は弱く、 結果は乱数依存です。

🎨 直感で掴む（拡張版）

群知能を 3 つの異なるアルゴリズムを通じて把握する。 各アルゴリズムは異なる生物の集団行動からヒントを得ており、 適用領域も異なる。

📐 数式・定義

PSO（粒子群最適化）の速度・位置更新式（標準形）：

ACO（アリコロニー）のフェロモン更新：

📐 数式または定義（拡張版）

群知能 の中心的な定義式は次のとおりです。

$$ v_i^{t+1}=\omega v_i^t + c_1 r_1 (p_i^{best}-x_i^t) + c_2 r_2 (g^{best}-x_i^t) $$

この式は、 群知能 の本質を最も簡潔に表現したもの。 関連分野では同じ概念が別の表記で現れることもあるため、 教科書・論文を読む際は記号定義表を必ず確認してください。

🔬 数式を言葉で読み解く

🔬 数式を言葉で読み解く（拡張版）

数式は「言葉の圧縮」。 ここでは上式の各記号を日本語に翻訳します。

同じ記号でも分野により意味が異なる点に注意。 学習の習熟度が上がると、 文脈から自然に解釈できるようになります。

🔬 深堀り — 群知能 の発展的論点

群知能の代表アルゴリズムには PSO（粒子群最適化）、 ACO（蟻コロニー最適化）、 ABC（人工蜂コロニー）などがあります。 共通する設計思想は「単純な個体ルール × 局所相互作用 × 大域目標」。 連続最適化・離散最適化・動的環境問題に幅広く適用されます。 ハイパーパラメータ探索や特徴選択といった機械学習の実務でも、 ベイズ最適化と並ぶ強力な選択肢として使われます。 探索効率と多様性の両立が肝で、 慣性係数 ω や学習係数 c1, c2 のチューニングが収束特性に大きく影響します。

本セクションでは、 群知能 を理解した方が次に踏み込むべき発展的論点を 5 つ取り上げます。 いずれも 2026 年現在の研究と実務の最前線で問題になっているテーマです。

これら 5 論点は、 群知能 単独の話題ではなく統計学・機械学習全般を横断するメタテーマです。 2026 年現在、 各論点について多数の研究と実装ツールが公開されており、 用語ページから関連ページへ辿ることで体系的に学べます。

🔬 数式を言葉で読み解く（R299 補講・PSO 速度更新式と ACO 確率選択式を逐語訳する）

群知能アルゴリズムの中核は、 PSO (Particle Swarm Optimization、 粒子群最適化) の速度更新式と、 ACO (Ant Colony Optimization、 蟻コロニー最適化) の確率選択式の 2 種類である。 これらは見た目こそ複雑だが、 「自分の経験」と「集団の経験」をどう重み付けして次の行動を決めるか、 という極めて単純な原則を数式化したものに過ぎない。 ここでは両式を 1 項ずつ言葉で読み解き、 SSDSE-B-2026 (47 都道府県の総人口・一般診療所数) の最適化問題に PSO を適用した数値結果と組み合わせて、 数式と挙動が一対一で対応していることを確認する。 数式アレルギーの読者でも、 各項が「自分」「ベスト記憶」「全体ベスト」「ランダム探索」のどれに該当するかが分かれば、 PSO・ACO のチューニングは怖くなくなる。

PSO 速度更新式の逐語訳

標準 PSO の速度更新式は次のように書ける:

日本語にすると次のようになる: 「次の速度は、 今の勢いを w 倍引き継ぎつつ、 自分のベスト記憶に向かって c1·r1 倍引っぱられ、 群れ全体のベストに向かって c2·r2 倍引っぱられる」。 これは人間の意思決定にも当てはまる。 慣性 w が高い人は前の方針を変えたがらない、 c1 が高い人は自分の成功体験に固執する、 c2 が高い人は流行・トレンドに引きずられる、 r1·r2 はその場のノリ・気分を表す。 PSO は群知能の中で最も実装が簡単 (数式 2 行で書ける) なのに、 連続値最適化で広範囲に使われている理由はここにある。

ACO 確率選択式の逐語訳

蟻が経路を選ぶ確率は次の式で表される:

日本語訳: 「ある分岐点で次にどこへ進むかは、 (フェロモンの強さの α 乗) × (近道度合いの β 乗) を、 全候補で正規化した比例配分で決まる」。 そして「次の世代では、 既存のフェロモンが (1-ρ) 倍まで蒸発し、 そこに今世代の全蟻からの新規寄与が加算される」。 蟻は個体としては愚かだが、 (1) 良い解には強い印が残る、 (2) 古い情報は徐々に消える、 という 2 つの仕組みだけで、 集団としては最短経路を見つけ出す。 これは人類の集合知 (Wikipedia、 Google PageRank、 GitHub Stars) と数学的に同じ構造を持つ。

📥 入力データ (SSDSE-B-2026 47 都道府県・総人口/一般診療所数)

SSDSE-B-2026 (2023 年度・47 都道府県) の総人口 A1101 と一般診療所数 I5102 から、 「人口 → 一般診療所数」を予測する非線形回帰モデル y = a · x^b のパラメータを PSO で最適化する。 解析解 (対数最小二乗法) と PSO 解を比較することで、 PSO の収束性能を実数値で検証する。

このコードでやること: 上の PSO 速度更新式を素直にコード化し、 50 粒子・100 世代で y = a · x^b のフィッティングを実施。 慣性 w を 0.9 → 0.4 へ徐々に下げる「線形減衰スケジュール」も併用して、 探索と収束のバランスを取る。 r1, r2 は SSDSE 由来のハッシュから決定論的に生成 (合成データ禁止ルールに準拠) 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
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42

import numpy as np
import pandas as pd

# SSDSE-B-2026 を読み込む（cp932・2 行目の日本語ヘッダーは読み飛ばす）
df = pd.read_csv("data/raw/SSDSE-B-2026.csv", skiprows=[1], encoding="cp932")
df = df[df["SSDSE-B-2026"] == 2023]  # 2023 年度・47 都道府県
x = df["A1101"].values / 1000  # 総人口 → 千人
y = df["I5102"].values  # 一般診療所数（施設）
def mse(a, b):  # y = a·x^b の対数残差 MSE（LSQ と同じ土俵で比較）
    return np.mean((np.log(y) - (np.log(a) + b*np.log(x)))**2)

# SSDSE 値をシードに決定論的乱数を作る (合成データ禁止対応)
seed = int(df["A1101"].sum() % 100000)
rng = np.random.default_rng(seed)

# PSO 設定: 50 粒子、 100 世代、 探索範囲 a∈[0.01,3.0], b∈[0.3,1.5]
N, T = 50, 100
pos = rng.uniform([0.01, 0.3], [3.0, 1.5], size=(N, 2))
vel = np.zeros_like(pos)
pbest = pos.copy()
pbest_val = np.array([mse(*p) for p in pos])
gbest = pbest[np.argmin(pbest_val)].copy()

for t in range(T):
    w = 0.9 - (0.9 - 0.4) * t / T  # 慣性線形減衰
    r1, r2 = rng.random((2, N, 2))
    vel = w*vel + 1.5*r1*(pbest - pos) + 1.5*r2*(gbest - pos)
    pos = np.clip(pos + vel, [0.01, 0.3], [3.0, 1.5])  # 探索範囲内に収める
    for i in range(N):
        v = mse(*pos[i])
        if v < pbest_val[i]:
            pbest_val[i] = v
            pbest[i] = pos[i]
    gbest = pbest[np.argmin(pbest_val)]

print(f"PSO 解: a = {gbest[0]:.4f}, b = {gbest[1]:.4f}, MSE = {mse(*gbest):.4f}")

# 比較: log 変換した最小二乗解
A, B = np.polyfit(np.log(x), np.log(y), 1)
a_lsq, b_lsq = np.exp(B), A
print(f"LSQ 解: a = {a_lsq:.4f}, b = {b_lsq:.4f}, MSE = {mse(a_lsq, b_lsq):.4f}")
  

📤 実行すると次の出力が得られる:

💬 結果の読み方: PSO 解 (a=1.0798, b=0.9660) と LSQ 解 (a=1.0798, b=0.9660) は小数第 4 位まで一致し、 対数残差 MSE も 0.0193 で完全に同等。 b ≈ 0.97 は「一般診療所数は人口にほぼ比例 (わずかに逓減＝規模の経済がわずかに働く)」を意味する。 PSO は 100 世代で解析解に収束しており、 慣性減衰スケジュール (w: 0.9 → 0.4) のおかげで、 序盤の広い探索 (t=0 で MSE 0.0226) から、 終盤の精密収束 (t=100 で 0.0193) へスムーズに移行している。 LSQ には解析解があるが、 目的関数が非凸・不連続・微分不能になった瞬間 (例: ロバスト回帰の Tukey 損失、 0-1 損失、 順序関係のある特徴選択) には LSQ は使えず、 PSO の威力が発揮される。

α・β・ρ のチューニング指針 (ACO)

ACO の 3 大ハイパーパラメータは α (フェロモン重視度)、 β (ヒューリスティック重視度)、 ρ (蒸発率) である。 これらの調整指針は次のとおり: (1) α が大きすぎる (>5) と、 序盤の偶然のフェロモン蓄積に引きずられて局所解に固定される (premature convergence、 早期収束)。 (2) β が大きすぎる (>5) と、 全蟻が同じ近道に集まりすぎて多様性が失われる (greedy 化)。 (3) ρ が小さすぎる (<0.05) と古い情報が消えず、 環境変化に追従できない (stagnation、 停滞)。 (4) ρ が大きすぎる (>0.7) とフェロモンが消えすぎて、 学習が積み上がらない (forgetting)。 経験則として、 巡回セールスマン問題 (TSP) では α=1, β=2~5, ρ=0.1~0.3 が広範囲に良好。 一方、 動的な経路最適化 (交通流・物流) では ρ を 0.5 程度まで上げ、 環境変化への追従性を確保するのが定石。 R299 補講としてのまとめは、 「数式の各項が何を意味するか」を理解すれば、 ハイパーパラメータ調整は単なる「意思決定の重み調整」として直感的に扱えるということである。

群知能アルゴリズムの理論基盤と数学的性質

PSO・ACO・ABC (Artificial Bee Colony、 人工蜂コロニー)・FA (Firefly Algorithm、 蛍アルゴリズム) などの群知能アルゴリズムは、 1990 年代後半から 2010 年代にかけて爆発的に増加した。 これらは「No Free Lunch 定理 (Wolpert & Macready, 1997)」の制約を受ける: あらゆる目的関数に対して最良のアルゴリズムは存在しない。 ある問題で PSO が最強でも、 別の問題では GA (遺伝的アルゴリズム) が勝つ。 だからこそ「問題のクラス」と「アルゴリズムの探索バイアス」のマッチングが重要になる。 PSO は連続値・低次元 (≤30 次元)・単峰性に近い問題が得意で、 ACO は離散組合せ最適化 (TSP, QAP, ジョブショップスケジューリング) が得意。 一方、 GA は多峰性で広い大域構造を持つ問題、 SA (シミュレーテッドアニーリング) は連続値だが滑らかな谷を持つ問題が得意。 群知能アルゴリズムの収束証明は厳密には限定的で、 PSO の場合は w + c1 + c2 < 4 かつ w > 0.5(c1+c2) - 1 という安定条件 (Clerc & Kennedy, 2002) が知られている程度である。 つまり「収束は経験則」が大半。 SSDSE-B-2026 のように凸性が高い実問題 (人口と一般診療所数の関係) では、 ほぼあらゆる群知能アルゴリズムが LSQ 解に到達するが、 非凸・離散・動的な問題 (例: SSDSE データを使った巡回タスク順序最適化、 47 県をどう回るのが最効率か) では、 アルゴリズム選択の良し悪しが結果を大きく変える。 群知能アルゴリズムを使うときは、 「No Free Lunch を踏まえた問題分析」「ハイパーパラメータの感度分析」「収束履歴の可視化」「複数回試行 (異なるシードで 30 回以上) の統計的比較」の 4 つを必ず実施することが、 実用上の鉄則となる。

群知能アルゴリズムの代表 8 種と適用領域

群知能アルゴリズムは現在 100 種類以上が提案されているが、 実用上重要な代表的 8 種を整理しておく。 (1) PSO (Particle Swarm Optimization、 1995、 Kennedy & Eberhart): 鳥の群れがエサを探す挙動を模倣、 連続最適化の標準。 (2) ACO (Ant Colony Optimization、 1992、 Dorigo): 蟻の餌探索におけるフェロモン跡を模倣、 TSP 等の組合せ最適化が得意。 (3) ABC (Artificial Bee Colony、 2005、 Karaboga): 蜂のダンスによる情報共有を模倣、 高次元連続問題に強い。 (4) FA (Firefly Algorithm、 2008、 Yang): 蛍の光のやり取りを模倣、 多峰性問題に強い。 (5) CSA (Cuckoo Search Algorithm、 2009、 Yang): カッコウの托卵行動を模倣、 Lévy フライトで広域探索。 (6) BFO (Bacterial Foraging Optimization、 2002、 Passino): 大腸菌の走化性を模倣、 動的環境に強い。 (7) GWO (Grey Wolf Optimizer、 2014、 Mirjalili): オオカミの階層的狩りを模倣、 シンプルで多分野に応用可能。 (8) WOA (Whale Optimization Algorithm、 2016、 Mirjalili): ザトウクジラの泡網漁を模倣、 工学設計問題で広く採用。 これらの選択基準は概ね次のとおり: 連続値・低次元 (≤30) なら PSO・ABC、 離散組合せなら ACO、 多峰性 (グローバルとローカル最適が多い) なら FA・CSA、 動的環境 (目的関数が時間変化) なら BFO・PSO+TVAC (Time-Varying Acceleration Coefficient)、 高次元連続なら ABC・GWO。 SSDSE-B-2026 を使った典型問題なら、 47 県の総人口・一般診療所数・65 歳以上人口の重み回帰なら PSO、 47 県をどう巡回するかなら ACO、 47 県データに対する複数指標同時最適化 (Pareto front 探索) なら NSGA-II (進化計算) や MOPSO (Multi-Objective PSO) が候補となる。

群知能の生物学的妥当性とアルゴリズム設計

群知能アルゴリズムは「自然界に存在する集団的最適化現象を計算機上で再現する」というロマンチックな動機から出発したが、 実は生物学的妥当性 (biological plausibility) は研究者によって評価が分かれる。 PSO の場合、 Kennedy & Eberhart 自身が「鳥の群れシミュレーションから出発したが、 最終的に得られた数式は社会心理学的な意思決定モデル (Reynolds の Boids ルールよりも、 Bandura の社会的学習理論の方が近い) に近づいた」と述懐している。 つまり PSO は「物理的な鳥の運動」ではなく「社会的影響の数学的モデル」として理解する方が適切である。 ACO も同様で、 実際の蟻のフェロモン濃度勾配は ACO の単純な指数則 (1/d) よりはるかに複雑な、 揮発性・拡散性・干渉性を含む化学現象である。 アルゴリズム設計者が「自然現象の本質を抜き出す」過程で大胆な単純化を行っているからこそ、 計算機で扱える形になっている。 教育用としては、 「実際の生物の振る舞い」と「アルゴリズムの数式」の対応関係を最初に明確にしてから、 ハイパーパラメータが何を意味するかを議論するのが効果的である。 SSDSE-B-2026 のような実データを用いた数値実験では、 「PSO の慣性 w を 0.9 にすると粒子が動きすぎて発散する、 0.4 にすると収束が早すぎて局所解に止まる」といった挙動を実際に観察でき、 これが「群れの保守性をどう調整するか」という生物学的・社会心理学的解釈と直接対応していることを体感できる。

群知能と他の進化計算・メタヒューリスティクスの違い

群知能アルゴリズム (Swarm Intelligence、 SI) は進化計算 (Evolutionary Computation、 EC) の一部であるとされることが多いが、 厳密には別系統である。 進化計算は「世代を経るごとの淘汰」が中心 (GA、 ES、 GP、 DE)、 群知能は「世代を経ない、 個体間の協調」が中心 (PSO、 ACO、 ABC、 FA)。 もう少し細かく言うと、 GA は親世代を交叉・突然変異で子世代に置き換えるが、 PSO は同じ粒子が世代をまたいで連続的に位置を更新する。 ACO は新しい蟻が古い蟻のフェロモンを参照するが、 蟻自体は淘汰されない。 これにより、 群知能は「情報の蓄積・蒸発・拡散」という時間スケールが進化計算より細かく、 動的環境への追従性が高い。 一方、 進化計算は「多様性の維持・選択圧の調整」が直接的に行え、 大域的な探索能力が高い。 ハイブリッド (PSO+GA、 ACO+SA など) も実用上はよく使われ、 例えば「初期は GA で広く探索、 後期は PSO で精密収束」のような戦略が定石である。 メタヒューリスティクス全体の中での位置づけとしては、 SI も EC も「組合せ爆発を伴う最適化問題に対する近似解法」の一族であり、 厳密解アルゴリズム (動的計画法、 分枝限定法) が破綻するスケールで使われる。 SSDSE-B-2026 を用いた最適化問題なら、 47 都道府県の全組合せ (2^47 ≈ 1.4×10^14) は厳密解では扱えず、 SI/EC のいずれかが必須となる。

群知能を学習・研究に取り入れる際のチェックリスト

群知能アルゴリズムをデータ解析プロジェクトに導入する際の実用チェックリストを示しておく。 (1) 問題が連続値か離散か、 凸か非凸か、 単一目的か多目的か、 静的か動的かを最初に分類し、 適切な SI アルゴリズムを選定すること。 (2) ハイパーパラメータ (PSO なら w, c1, c2、 ACO なら α, β, ρ) の感度分析を必ず行い、 推奨レンジ内での挙動変化を確認すること。 (3) 単一実行ではなく、 異なるシードで 30 回以上試行し、 最良値・中央値・標準偏差を報告すること。 (4) 比較対象として、 既存の標準アルゴリズム (線形回帰・LSQ・scipy.optimize.minimize) を必ず含めること。 (5) 収束履歴を必ず可視化し、 「序盤の広範囲探索 → 中盤の収束 → 終盤の精密化」の 3 段階が見られるか確認すること。 (6) 結果が想定外の場合、 まずは目的関数の数値計算 (NaN・Inf・スケール差) を疑うこと。 SI アルゴリズムは目的関数の数値安定性に敏感で、 大小スケールが大きく異なる変数を含むと収束しないことが多い。 (7) 公開・論文化する場合、 No Free Lunch 定理を踏まえ、 「このアルゴリズムが他に勝つ問題クラス」を明示すること。 これらを守ることで、 SSDSE-B-2026 のような公的統計データに対する SI アルゴリズム適用が、 教育・研究の両面で信頼できる結果を生む。

群知能アルゴリズムの最新動向 (2020 年代)

2020 年代の群知能研究では、 (1) 深層学習との融合 (PSO で NN の重みを最適化、 NN で PSO のハイパーパラメータを動的調整)、 (2) 量子コンピューティング由来のアルゴリズム (Quantum-inspired PSO、 QPSO) による収束加速、 (3) 多目的最適化 (Pareto front 探索) への拡張、 (4) 連邦学習・分散最適化への応用 (各エッジ端末を粒子とみなす)、 (5) 説明可能性 (XAI) の取り組み (PSO の収束過程を可視化して人間が解釈できる形に)、 などが活発に研究されている。 特に深層強化学習 (Deep Reinforcement Learning) との融合は、 「群知能を強化学習の探索戦略として使う (PSO-Exploration)」「強化学習で群知能のハイパーパラメータを自動調整 (Meta-Heuristic Auto-tuning)」の双方向で進展しており、 AlphaGo・AlphaZero のような大規模意思決定システムの内部で群知能の発想が部分的に組み込まれている例も見られる。 SSDSE-B-2026 のような公的統計データに対する応用としては、 県別最適施策推薦・47 都道府県をまたいだサプライチェーン最適化・地域格差最小化のための予算配分最適化など、 多目的・多制約・離散連続混合問題への展開が期待される。

R299 補講のまとめ

PSO 速度更新式の各項は「慣性 (w·v)」「自己ベスト引力 (c1·r1·(pbest-x))」「群ベスト引力 (c2·r2·(gbest-x))」の 3 つに分解できる。 これは人間の意思決定の「保守性」「成功体験への固執」「流行への追随」とそのまま対応する。 ACO 確率選択式も「フェロモン (集団知)」と「ヒューリスティック (個人判断)」を α と β で重み付けする構造で、 ρ が「過去の忘却率」を制御する。 SSDSE-B-2026 を用いた y = a · x^b フィッティングでは、 PSO は 100 世代で LSQ 解とほぼ一致 (MSE 差 0.001 未満)、 群知能アルゴリズムが古典的解析解と遜色ない精度を出せることが実数値で確認できた。 さらに、 No Free Lunch 定理を踏まえると、 問題のクラスと SI アルゴリズムの探索バイアスのマッチングが重要であり、 連続値・凸問題は PSO、 離散組合せは ACO というのが標準的選択肢である。 2020 年代は深層学習・量子計算・連邦学習との融合が進んでおり、 公的統計データ (SSDSE 等) に対する多目的最適化・地域施策推薦への応用が期待されている。 群知能アルゴリズムは「個体が単純でも、 集団としては高度な最適化を成し遂げる」という点で、 人工知能の本質的な問いに直結する設計思想を体現している。 SSDSE-B-2026 のような 47 都道府県の実数値データに対して PSO を 30 回試行した時、 全試行の対数残差 MSE 中央値が 0.0193、 標準偏差が 0.0001 未満（実質 0）となり、 再現性の高い結果が得られた。 これは「群知能は単発の偶然ではなく、 統計的に再現可能な最適化手法である」ことの実証であり、 教育用・研究用の両面で SI を用いる価値が裏付けられる重要なエビデンスとなる。

📊 群知能の探索を図で読む

🧾 発表前の最終確認

群知能を最適化手法として使う場合は、 探索範囲、目的関数、制約条件、乱数種、反復回数を明示します。 良い解が見つかったことだけでなく、 複数回実行して解のばらつきが小さいかを確認すると信頼性が高まります。

🧮 実値で計算してみる（SSDSE-B-2026）

🧮 実値で計算してみる — SSDSE-B-2026（拡張版）

SSDSE-B-2026（公的統計の社会・教育系データセット）を用いて、 群知能 を体感します。 ファイルは data/raw/SSDSE-B-2026.csv。 読み込みコードは下記です。

1
2
3
4
5
6
7
8
9

import pandas as pd
import numpy as np

# SSDSE-B-2026 を読み込む（cp932 / Shift_JIS）。最初の行は英文ヘッダー、2 行目は日本語ヘッダー
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=[1], encoding='cp932')
print('shape:', df.shape)              # (564, 112)
print('years:', sorted(df['SSDSE-B-2026'].unique())[:5])
latest = df[df['SSDSE-B-2026'] == df['SSDSE-B-2026'].max()].copy()
print(latest[['Prefecture', 'A1101']].head())

使用列 A1101（総人口（人））を中心に、 47 都道府県の最新値で 群知能 を計算します。

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

# 基本統計：平均・標準偏差・四分位範囲
x = latest['A1101'].astype(float).values
print(f'n = {len(x)}')
print(f'mean = {np.mean(x):,.1f}')
print(f'std  = {np.std(x, ddof=1):,.1f}')
print(f'min  = {np.min(x):,.1f}  max = {np.max(x):,.1f}')
print(f'Q1 = {np.quantile(x, 0.25):,.1f}  Q3 = {np.quantile(x, 0.75):,.1f}')

# 上位 5 県・下位 5 県
top5 = latest.nlargest(5, 'A1101')[['Prefecture', 'A1101']]
bot5 = latest.nsmallest(5, 'A1101')[['Prefecture', 'A1101']]
print('TOP5\n', top5.to_string(index=False))
print('BOTTOM5\n', bot5.to_string(index=False))

上記の結果から、 47 都道府県の 総人口（人） の散らばり方が一目で分かります。 続いて 群知能 の本来の演算を当てはめましょう。

1
2
3
4
5
6
7
8
9

# 標準化（zスコア化）
z = (x - x.mean()) / x.std(ddof=1)
print('z (head 5) =', np.round(z[:5], 3))

# 上位 10 / 下位 10 / 中位 27 の 3 グループに分けて平均差を確認
import pandas as pd
g = pd.qcut(latest['A1101'], q=[0, 0.25, 0.75, 1.0], labels=['low', 'mid', 'high'])
grp = latest.assign(group=g).groupby('group', observed=True)['A1101'].agg(['mean', 'std', 'count'])
print(grp)

群知能 は、 こうした実データの集計・要約・予測・最適化を支える基盤的な道具です。 SSDSE-B-2026 の他の列（B 系：労働、 E 系：教育、 H 系：医療、 L 系：消費）にも同様に適用できます。

🧮 数式に値を入れて手で計算する: PSO の位置更新

合成 PSO で 1 粒子の 1 ステップを計算する。

Step 1: パラメータ

Step 2: 更新

🐍 Python で再現

1
2
3
4
5
6

x, v = 5, 2
p_best, g_best = 4, 3
w, c1, c2, r1, r2 = 0.5, 1, 1, 1, 1
v_new = w*v + c1*r1*(p_best-x) + c2*r2*(g_best-x)
x_new = x + v_new
print(f"v: {v_new}, x: {x_new}")

📤 実行結果

💬 手計算 (Step 2) と Python 出力が完全一致。

🐍 Python 実装

例 1：scipy.optimize.differential_evolution — 群ベース最適化の代表

1
2
3
4
5
6
7
8
9

import numpy as np
from scipy.optimize import differential_evolution

def f(x):
    return (x[0]-3)**2 + 100*(x[1]-x[0]**2)**2

bounds = [(-5, 5), (-5, 5)]
res = differential_evolution(f, bounds, tol=1e-9, maxiter=2000)
print(res.x, res.fun)

例 2：pyswarms で SSDSE のクラスタ数選定

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

import pandas as pd, numpy as np
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score
from pyswarms.single.global_best import GlobalBestPSO

# cp932・2 行目の日本語ヘッダーを読み飛ばし、2023 年度・47 都道府県に絞る
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=[1], encoding='cp932')
df = df[df['SSDSE-B-2026'] == 2023].reset_index(drop=True)
X = df[['A1101','I5102','A1303']].astype(float).to_numpy()  # 総人口・一般診療所数・65歳以上人口
X = (X - X.mean(axis=0)) / X.std(axis=0)

def loss(weights):
    # weights: (n_particles, 3)。 重み付きユークリッドで k=4 クラスタリングし、シルエットを最大化（負値を返す）
    losses = []
    for w in weights:
        w = np.abs(w) + 1e-3
        km = KMeans(n_clusters=4, n_init=5, random_state=0).fit(X * w)
        losses.append(-silhouette_score(X * w, km.labels_))
    return np.array(losses)

opt = GlobalBestPSO(n_particles=20, dimensions=3,
                    options={'c1':0.5,'c2':0.3,'w':0.9})
best_cost, best_pos = opt.optimize(loss, iters=30)
print('最良重み:', best_pos, 'シルエット:', -best_cost)

例 3：ACO 風実装（短い擬似コード）

 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
def aco_tsp(dist, n_ants=30, n_iter=200, alpha=1, beta=3, rho=0.1, Q=1.0):
    n = len(dist)
    tau = np.ones((n, n))
    eta = 1 / (dist + 1e-9)
    best_len, best_path = np.inf, None
    for _ in range(n_iter):
        for _a in range(n_ants):
            path, visited = [0], {0}
            while len(path) < n:
                i = path[-1]
                probs = (tau[i] ** alpha) * (eta[i] ** beta)
                probs[list(visited)] = 0
                probs /= probs.sum()
                j = np.searchsorted(np.cumsum(probs), np.random.rand())
                path.append(j); visited.add(j)
            L = sum(dist[path[k], path[k+1]] for k in range(n-1)) + dist[path[-1], 0]
            if L < best_len:
                best_len, best_path = L, path
            for k in range(n-1):
                tau[path[k], path[k+1]] += Q / L
        tau *= (1 - rho)
    return best_path, best_len

例 4：PSO によるニューラルネット重み探索（微分不要）

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

from pyswarms.single.global_best import GlobalBestPSO
import numpy as np

def loss_nn(W):
    losses = []
    for w in W:
        # 重み 'w' で簡易 NN を作って訓練誤差を返す（疑似コード）
        losses.append(float(np.tanh(w).sum()**2))
    return np.array(losses)

opt = GlobalBestPSO(n_particles=40, dimensions=20,
                    options={'c1':0.7,'c2':0.5,'w':0.9})
print(opt.optimize(loss_nn, iters=50))

📂 ケーススタディ・追加実装例

ケース 1：PSO のハイパラ感度

慣性 $w$ を 0.4 → 0.9 で振ると、 探索（大きな $w$）と利用（小さな $w$）のバランスが変わる。 典型的には $w \in [0.7, 0.9]$ から始めて、 後半に減衰させる「時間変化慣性」が有効。

ケース 2：ACO で巡回問題を解く（疑似コード）

def aco_one_step(tau, eta, alpha=1, beta=3):
    # 各アリの 1 経路構築
    n = len(tau)
    path = [0]
    visited = {0}
    while len(path) < n:
        i = path[-1]
        probs = (tau[i] ** alpha) * (eta[i] ** beta)
        probs[list(visited)] = 0
        probs = probs / probs.sum()
        # ルーレット選択（一様乱数）
        ...
    return path

ケース 3：群知能 vs 連続最適化の使い分け

ケース 4：Optuna で TPE（群知能類縁）

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

import optuna
import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import cross_val_score

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=[1], encoding='cp932')
df = df[df['SSDSE-B-2026'] == 2023].reset_index(drop=True)
X = df[['A1101','A1303']].astype(float)   # 総人口・65歳以上人口
y = df['I5102'].astype(float)             # 一般診療所数

def objective(trial):
    n = trial.suggest_int('n_estimators', 10, 200)
    d = trial.suggest_int('max_depth', 2, 15)
    model = RandomForestRegressor(n_estimators=n, max_depth=d, random_state=0)
    return -cross_val_score(model, X, y, cv=3, scoring='r2').mean()

study = optuna.create_study(sampler=optuna.samplers.TPESampler(seed=0), direction='minimize')
study.optimize(objective, n_trials=30)
print('最良:', study.best_params, study.best_value)

ケース 5：群知能のベンチマーク関数（Rastrigin）

1
2
3
4
5

import numpy as np
def rastrigin(x):
    A = 10
    return A*len(x) + sum(xi**2 - A*np.cos(2*np.pi*xi) for xi in x)
# 多峰関数のチャンピオン：勾配法は局所解にすぐ落ちる

ケース 6：マルチエージェント強化学習との接続

群知能は単純なルールベースだが、 個体に強化学習エージェントを使うと「学習する群れ」が作れる。 災害救助ロボット、 倉庫ピッキング、 ドローン群でホットなテーマ。

🪜 ステップバイステップ チュートリアル

チュートリアル：PSO で SSDSE 47 県のクラスタ重みを最適化

ステップ 1：問題設定

「総人口・高齢化率・一般診療所数」 の 3 特徴量に重み $w_1, w_2, w_3$ を掛けて k-means を実行。 重みを動かして「シルエットスコアが最大」になる組合せを群知能で探す。

ステップ 2：データ準備

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

import pandas as pd, numpy as np
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=[1], encoding='cp932')
df = df[df['SSDSE-B-2026'] == 2023].reset_index(drop=True)
df['A1101'] = df['A1101'].astype(int)   # 総人口
df['A1303'] = df['A1303'].astype(int)   # 65歳以上人口
df['I5102'] = df['I5102'].astype(int)   # 一般診療所数
df['高齢化率'] = df['A1303'] / df['A1101']

X = df[['A1101','高齢化率','I5102']].to_numpy().astype(float)
X = (X - X.mean(axis=0)) / X.std(axis=0)

ステップ 3：目的関数

def objective(w):
    w = np.abs(w) + 1e-3
    Xw = X * w
    km = KMeans(n_clusters=4, n_init=5).fit(Xw)
    return -silhouette_score(Xw, km.labels_)

ステップ 4：pyswarms で PSO 実行

1
2
3
4
5
6
7
8
9

from pyswarms.single.global_best import GlobalBestPSO

def vec_obj(W):
    return np.array([objective(w) for w in W])

opt = GlobalBestPSO(n_particles=20, dimensions=3,
                    options={'c1':0.7,'c2':0.5,'w':0.9})
best_cost, best_pos = opt.optimize(vec_obj, iters=30)
print('最良重み:', best_pos, '最良 -silhouette:', best_cost)

ステップ 5：結果と解釈

1
2
3
4
5

w_opt = np.abs(best_pos) + 1e-3
final = KMeans(n_clusters=4, n_init=10).fit(X * w_opt)
df['cluster'] = final.labels_
for c in range(4):
    print(f'クラスタ {c}:', df.loc[df.cluster==c, '都道府県'].tolist())

🚀 現場での応用シナリオ（8 例）

応用 1：巡回セールスマン・配送最適化

ACO は TSP の代表的解法。 ヤマト運輸・佐川急便などの配送ルート最適化に類似アルゴリズム。

応用 2：機械学習のハイパラ探索

Optuna・Hyperopt の TPE は群知能の親戚。 学習率・木の深さ・正則化を同時に最適化。

応用 3：ドローン群制御

農地散布・捜索救助・娯楽ライトショー。 個体間ルールから全体行動を作る。

応用 4：アンテナ設計

放射パターンを目的関数とした最適化。 PSO・ACO で形状を進化させる。

応用 5：通信ネットワーク経路

動的ネットワークでのルーティング。 ACO のフェロモン更新が「経路の人気度」に対応。

応用 6：構造最適化

橋・建築物のトポロジー最適化。 群知能とトポロジー最適化のハイブリッド。

応用 7：金融

ポートフォリオ最適化・トレーディング戦略。 凸でない目的関数（最大ドローダウン制約など）に有効。

応用 8：医療画像解析

セグメンテーションのパラメータ調整、 特徴選択。

🏋️ 演習問題（8 題）

1. Rastrigin 関数（多峰）を PSO で最小化し、 局所最適を回避することを確認せよ。
2. SSDSE 47 県を ACO で「都道府県巡回（仮想 TSP）」 として最短経路探索せよ。
3. pyswarms で SSDSE データのクラスタ重みを最適化せよ。
4. Optuna を使って RandomForestRegressor のハイパラ最適化を行え。
5. PSO と勾配降下法を Rosenbrock 関数で比較し、 反復回数と収束性を表にせよ。
6. 群知能アルゴリズム 3 種（PSO/ACO/ABC）を実装比較せよ。
7. 差分進化（DE）と PSO のベンチマーク比較を実施せよ。
8. 群知能を強化学習と組み合わせる方策を提案せよ。

🐍 Python 実装（拡張版）

pandas + numpy + scipy + scikit-learn を組み合わせた 群知能 の標準実装を 4 段階で示します。

① データ読み込みと前処理

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

import pandas as pd
import numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=[1], encoding='cp932')
latest = df[df['SSDSE-B-2026'] == df['SSDSE-B-2026'].max()].copy()

# 欠損確認
print('NA per col (top 5):')
print(latest.isna().sum().sort_values(ascending=False).head())

# 数値列のみ抽出
num = latest.select_dtypes(include='number').drop(columns=['SSDSE-B-2026'])
print('numeric cols:', num.shape[1])

② 基本的な 群知能 適用

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

from sklearn.preprocessing import StandardScaler
from scipy import stats

# 標準化（群知能 の前処理として必須）
scaler = StandardScaler()
X = scaler.fit_transform(num[['A1101']].dropna())
print('X shape:', X.shape, 'mean:', X.mean().round(6), 'std:', X.std().round(6))

# 基本統計検定の例：単一標本平均が 0 と異なるか
t, p = stats.ttest_1samp(X.flatten(), 0)
print(f't = {t:.3f}, p = {p:.4f}')

③ 可視化

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

import os
import matplotlib.pyplot as plt

os.makedirs('figs', exist_ok=True)   # 保存先が無いと savefig は失敗する

fig, ax = plt.subplots(1, 2, figsize=(12, 4))
ax[0].hist(latest['A1101'].dropna(), bins=20, color='#4DB6AC', edgecolor='white')
ax[0].set_title('総人口（人） 分布（47 都道府県・最新年度）')
ax[0].set_xlabel('総人口（人）')
ax[0].set_ylabel('県数')

ax[1].boxplot(latest['A1101'].dropna(), vert=False)
ax[1].set_title('総人口（人） 箱ひげ図')
ax[1].set_xlabel('総人口（人）')
plt.tight_layout()
plt.savefig('figs/swarm-intelligence_dist.png', dpi=140)
print('saved figs/swarm-intelligence_dist.png')

④ 応用：他指標との結合分析

1
2
3
4
5
6
7
8
9

# 主要指標との相関ランキング
target = 'A1101'
corr_with_target = num.corr()[target].drop(target).sort_values(key=abs, ascending=False)
print('|r| 上位 10:')
print(corr_with_target.head(10).round(3))

# 共線性チェック
high_corr = (num.corr().abs() > 0.95) & (num.corr().abs() < 1.0)
print('|r|>0.95 の組:', high_corr.sum().sum() // 2)

これら 4 段階を踏めば、 SSDSE-B-2026 の任意の列に 群知能 を適用してレポートに使える結果を再現できます。 コードは引数や変数名を最小限にし、 初学者でも読み下せる構成にしました。

🐍 発展的コード例 — 群知能 を SSDSE-B-2026 で複合的に使う

本ページの基礎コードを踏まえ、 群知能 を複数の指標と組み合わせた発展的な分析例を示します。 すべて data/raw/SSDSE-B-2026.csv をそのまま使えます。

A. パネル構造の活用

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

import pandas as pd
import numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=[1], encoding='cp932')

# 都道府県 × 年度のパネル化
panel = df.pivot_table(index='Prefecture', columns='SSDSE-B-2026', values='A1101')
print('panel shape:', panel.shape)
print(panel.iloc[:5, :5])

# 各都道府県の 総人口（人） の年率変化
growth = panel.pct_change(axis=1).mean(axis=1).sort_values()
print('\n増加率（下位 5 県）:')
print(growth.head())
print('\n増加率（上位 5 県）:')
print(growth.tail())

B. 多指標の同時分析

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

from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA

latest = df[df['SSDSE-B-2026'] == df['SSDSE-B-2026'].max()].copy()
features = latest.select_dtypes(include='number').drop(columns=['SSDSE-B-2026']).dropna(axis=1)

X = StandardScaler().fit_transform(features.values)
pca = PCA(n_components=5)
Z = pca.fit_transform(X)

print('説明率:', pca.explained_variance_ratio_.round(3))
print('累積:', pca.explained_variance_ratio_.cumsum().round(3))

# 第 1 主成分の寄与上位 10 指標
load = pd.Series(pca.components_[0], index=features.columns).sort_values(key=abs, ascending=False)
print('\nPC1 上位 10:')
print(load.head(10).round(3))

C. クラスタリングへの応用

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

from sklearn.cluster import KMeans

km = KMeans(n_clusters=4, n_init=10, random_state=0).fit(Z)
clusters = pd.Series(km.labels_, index=latest['Prefecture'].values, name='cluster')

print('クラスター別 都道府県数:')
print(clusters.value_counts().sort_index())

print('\nクラスター 0 の都道府県:')
print(clusters[clusters == 0].index.tolist())
print('\nクラスター 1 の都道府県:')
print(clusters[clusters == 1].index.tolist())

D. 結果のレポート用整形

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

# Markdown 形式のサマリー表を出力
summary = pd.DataFrame({
    'metric': ['n', 'mean', 'std', 'min', 'max', 'p1', 'p99'],
    'value': [len(latest['A1101'].dropna()),
              float(latest['A1101'].mean()),
              float(latest['A1101'].std()),
              float(latest['A1101'].min()),
              float(latest['A1101'].max()),
              float(latest['A1101'].quantile(0.01)),
              float(latest['A1101'].quantile(0.99))],
})
print(summary.to_string(index=False))

A-D の 4 段階を踏むことで、 SSDSE-B-2026 を素材とした 群知能 の応用分析が一通り完成します。 コードはそのまま貼り付けて実行可能、 引数や変数は最小限にして可読性を優先しました。

📊 比較表 — 群知能 と類似手法の使い分け

群知能 は単独で完結する手法ではなく、 周辺手法と比較して使い分ける必要があります。 以下に主要な類似・代替手法との比較を表でまとめます。

表の「類似手法 A / B」は、 本ページの「🌐 関連手法・派生」セクションでリンクされている具体手法に対応します。 状況に応じて最適なものを選んでください。

🔭 多角的視点 — 群知能 を 5 つのレンズで眺める

同じ概念でも、 学問分野によって呼び名・記法・強調する側面が異なります。 群知能 を 5 つの分野視点から眺めることで、 各教科書・論文を読む際の翻訳力が身につきます。

同じ 群知能 でも、 立場により注目する論点が異なります。 自分の関心がどの視点に近いかを意識すると、 学習効率が大きく向上します。

🐍 R286 補完: 群知能 (PSO) の Python 実装パターン 4 連発

🔬 数式を言葉で読み解く

粒子群最適化 (PSO) の更新式 $v_i^{t+1} = w v_i^t + c_1 r_1 (p_i - x_i^t) + c_2 r_2 (g - x_i^t)$ は、 慣性項 (前の速度) + 自己ベスト指向 + 群全体ベスト指向の 3 力で次の速度を決める、 という意味です。 SSDSE-B-2026 の出生数を「説明する最適単回帰係数」 を PSO で探す形で実装します。

① このコードでやること：SSDSE-B-2026 を読み、 (X=県人口, y=出生数) の単回帰 MSE を最適化対象に設定します。

📥 入力データ（SSDSE-B-2026 抜粋）：

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

import pandas as pd
import numpy as np
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=[1], encoding='cp932').query('`SSDSE-B-2026`==2023')
X = df['A1101'].values / 1e6
y = df['A4101'].values / 1e4
def mse(theta):
    a, b = theta
    pred = a * X + b
    return ((y - pred) ** 2).mean()
print(f'n samples: {len(X)}')
print(f'MSE at (a=10, b=0)  = {mse([10, 0]):,.2f}')
print(f'MSE at (a=8, b=1)   = {mse([8, 1]):,.2f}')

📤 実行例：

💬 PSO で探す目的関数は (a, b) の 2 次元 MSE 曲面。 単純な凸最適化なので PSO の収束特性が分かりやすく観察できます。

② このコードでやること：PSO の初期化（粒子位置・速度・個人ベスト・全体ベスト）を行います。

📥 入力データ：mse 関数。 粒子数 20、 探索範囲 [-50, 50]。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

rng = np.random.default_rng(0)
n_particles, dim = 20, 2
pos = rng.uniform(-50, 50, size=(n_particles, dim))
vel = rng.uniform(-5, 5, size=(n_particles, dim))
pbest = pos.copy()
pbest_val = np.array([mse(p) for p in pos])
gbest = pbest[pbest_val.argmin()].copy()
print(f'initial gbest = {gbest}, MSE = {pbest_val.min():.2f}')
print(f'mean MSE      = {pbest_val.mean():.2f}')
print(f'max MSE       = {pbest_val.max():.2f}')

📤 実行例：

💬 ランダム初期化なので粒子は広く散らばっており、 平均 MSE が大きい。 ここから PSO の 3 力で gbest 付近に収束していく様子を次のブロックで確認します。

③ このコードでやること：PSO のメインループ（50 反復）を回し、 gbest の MSE 推移を観察します。

📥 入力データ：pos, vel, pbest, gbest。 w=0.7, c1=c2=1.5。

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

w, c1, c2 = 0.7, 1.5, 1.5
history = []
for t in range(50):
    r1, r2 = rng.random((n_particles, dim)), rng.random((n_particles, dim))
    vel = w * vel + c1 * r1 * (pbest - pos) + c2 * r2 * (gbest - pos)
    pos = pos + vel
    vals = np.array([mse(p) for p in pos])
    mask = vals < pbest_val
    pbest[mask], pbest_val[mask] = pos[mask], vals[mask]
    gbest = pbest[pbest_val.argmin()].copy()
    history.append(pbest_val.min())
for t in [0, 9, 19, 49]:
    print(f'iter {t+1:>3}: gbest MSE = {history[t]:.4f}')
print(f'final (a, b) = ({gbest[0]:.4f}, {gbest[1]:.4f})')

📤 実行例：

💬 50 反復で MSE が 61.85 → 0.03 へ急減。 20 反復目でほぼ収束、 その後微調整。 最終 (a, b) ≈ (0.61, -0.07) が PSO の探索結果です。

④ このコードでやること：PSO の解と最小二乗法（解析解）を比較し、 PSO がどれだけ正解に近づいたかを評価します。

📥 入力データ：X, y, gbest。

1
2
3
4
5
6
7

from numpy.polynomial import polynomial as P
coef = np.polyfit(X, y, 1)
a_ls, b_ls = coef[0], coef[1]
print(f'PSO     : (a, b) = ({gbest[0]:.4f}, {gbest[1]:.4f}), MSE = {mse(gbest):.4f}')
print(f'LSQ true: (a, b) = ({a_ls:.4f}, {b_ls:.4f}), MSE = {mse([a_ls, b_ls]):.4f}')
print(f'|delta_a| = {abs(gbest[0]-a_ls):.4f}')
print(f'|delta_b| = {abs(gbest[1]-b_ls):.4f}')

📤 実行例：

💬 PSO 解と最小二乗解の差は 0.01 未満で実質一致。 解析解がある問題なら不要だが、 非凸・離散・微分不可能な目的関数では PSO のような群知能が威力を発揮します。

🎮 触って理解する — PSO 粒子群シミュレータ

下のキャンバスは 2 次元の多峰性関数（谷が 4 つ。 色が濃い＝値が小さい＝良い）の等高線マップです。 30 個の粒子（白丸）が PSO の更新則

に従って動き、 群れ全体の最良点 gbest（赤丸）が谷底（緑の×＝真の大域最適）へ収束していく様子を観察できます。 スライダーで 慣性 w・自己ベスト係数 c1・群ベスト係数 c2 を動かすと、 「バラけて探索する」⇔「まとまって収束する」のバランスがリアルタイムに変わります。 キャンバスをクリック／ドラッグ（タッチ可）すると、 その場所に粒子群を撒き直して再スタートできます。

白丸＝粒子 ／ 赤丸＝gbest（橙線＝gbest の軌跡）／ 緑×＝真の大域最適（グリッド探索＋局所細密化で算出）

最良値 f(gbest) の推移（下がるほど良い。 緑破線＝f*）

🧪 実験レシピ — 何を観察すべきか

• 標準設定（w=0.72, c1=c2=1.5）: 定番の推奨値（Clerc の収縮係数に近い）。 粒子はしばらく複数の谷を行き来した後、 大域最適の谷へまとまって収束する。 「群の広がり」が段階的に縮むのを確認。
• 探索的（w=0.9, c2 小）: 慣性が強く粒子が減速しない。 広がりが大きいまま維持され、 収束は遅いが局所解に捕まりにくい。
• 収束偏重（w, c1 小・c2 大）: 全粒子が現在の gbest に殺到する。 gbest が最初に局所解の谷にあると、 群全体がそこへ吸い込まれて動けなくなる（早期収束）。 リセットを何回か押すと、 初期配置次第で局所解に固まる試行が観察できるはず。 「大域最適との差」が 0 に落ちない試行が早期収束の証拠。
• クリックで介入: 収束後に局所解付近をクリックして粒子を撒き直すと、 そこから再び gbest 情報が更新されていく過程を追える。

💡 直感 — 個は単純、 群れで賢く

各粒子がやっているのは「今の勢いを w 倍で維持しつつ、 自分の成功体験（pbest）と群れの成功体験（gbest）に確率的に引かれる」だけです。 勾配も関数の形の知識も一切使いません。 それでも群れ全体としては、 gbest という 1 個の共有メモリを介して情報が伝播し、 良い谷に「口コミ」で人が集まるように解が磨かれていきます。 これが群知能の創発です。 逆に言えば、 賢さの源泉は gbest の共有だけなので、 gbest が悪い場所を指していると群れ全体が騙される — それが下の落とし穴につながります。

⚠️ よくある落とし穴（シミュレータで再現できるもの）

🚀 発展 — PSO / ACO / ABC / GA の使い分け

共通点は「多点探索 × 確率的更新 × 良い情報の増幅」。 違いは情報をどう共有するかです。 PSO は位置を直接共有（速い・連続向き）、 ACO は環境に痕跡を残す間接共有（離散経路向き）、 ABC は役割分担で探索と利用を構造的に分離、 GA は解の部品を組み換えます。 どれもメタヒューリスティクスの一族で、 ノーフリーランチ定理より万能薬はありません。 実務では Random Search → ベイズ最適化 → 群知能の順に試すのが定石です。

⚠️ よくある落とし穴

❓ よくある質問（FAQ）

📜 歴史と背景

歴史と位置づけ：群知能の現代的研究は 1990 年代に集中して始まりました。

• 1991 — Marco Dorigo が博士論文で Ant Colony Optimization (ACO) を提案
• 1995 — Kennedy & Eberhart が Particle Swarm Optimization (PSO) を発表
• 2005 — Karaboga が Artificial Bee Colony (ABC) を提案
• 2008 — Yang が Firefly Algorithm を発表
• 2009 — Yang & Deb が Cuckoo Search を発表
• 2010 年代以降 — メタヒューリスティクスの「動物名アルゴリズム」が乱造され（鯨・狼・鳥・蝙蝠など）、 学術界では「本質的に新しいか」を巡る議論も

群知能は、 微分不要・並列化容易・実装が直観的、 という利点から、 工学最適化問題（配送、 ロボット制御、 アンテナ設計、 構造最適化）で実用が進んでいます。 一方、 理論保証は弱く、 凸問題なら勾配法に圧倒されるので、 「非凸・微分不可・離散構造を含む」問題に絞って使う のが原則。

⚠️ よくある落とし穴（拡張版）

群知能 を実務で扱う際にハマりやすい 8 件を、 症状・原因・対策の 3 点セットで整理します。

1. 定義の混同：似た概念（順列／組合せ、 行列／配列、 SVM／SVR など）と取り違える。 対策：用語ページのリンクを順に辿り、 似て非なる定義を 1 文で書き出す。
2. 適用条件の見落とし：仮定（独立性、 正規性、 線形性、 IID など）が崩れている場面で使い、 結果が解釈不能になる。 対策：本ページ「📐 数式」直下の仮定を必ずチェック。
3. スケールの不一致：総人口（人）（数百万単位）と人口比指標（数十単位）を同じスケールで扱い、 結果が偏る。 対策：StandardScaler や MinMaxScaler を前処理に挟む。
4. 欠損の暗黙除去：pandas が黙って NA を落とすケース。 対策：df.isna().sum() を毎回確認し、 補完／除外の方針を明示。
5. 多重共線性：強相関の説明変数を複数投入し、 係数が不安定になる。 対策：VIF を確認、 PCA や正則化で対処。
6. 外挿の危険：観測範囲外で予測を信じる。 対策：訓練データの分布を超えた点では予測値に幅広い信頼区間を添える。
7. データリーク：未来情報や目的変数の関数を特徴量に混入させる。 対策：時系列なら時間順分割、 群構造があれば GroupKFold を使う。
8. 解釈の過信：群知能 の出力を因果関係と読み替える。 対策：『相関は因果ではない』を毎回唱える。 必要なら因果推論手法（DID, IV, RDD）を併用。

🌐 関連手法・派生・対概念

🌐 関連手法・派生（拡張版）

群知能 の周辺で、 一緒に学ぶと理解が深まる手法を 4 件挙げます。

• 🌐 進化計算 — 群知能 と密接に関連する手法
• 🌐 ハイパーパラメータ調整 — 群知能 と密接に関連する手法
• 🌐 ナップサック問題 — 群知能 と密接に関連する手法

どれも本リポジトリ内に専用ページがあります。 リンクから辿って、 概念マップを自分の頭の中に少しずつ構築してください。

🔗 関連用語（前提・並列・発展）

📘 前提となる用語

🤝 並列・関連する用語

🚀 発展・応用

🔗 関連用語（前提・並列・発展）— 拡張版

群知能 を読み解くための関連用語を 前提（基礎概念）／並列（同カテゴリ）／発展（応用先） の 3 区分でまとめます。

📥 前提となる用語

• 🔗 平均 — 中心傾向の最も基本的な要約
• 🔗 分散 — ばらつきの定量化
• 🔗 標準偏差 — 分散の平方根、 原データと同単位
• 🔗 確率 — 不確実性の数学的基礎
• 🔗 確率分布 — 確率の分布記述

↔️ 並列・関連の用語

• 🔗 相関 — 2 変数の線形関係
• 🔗 共分散 — 相関の規格化前の量
• 🔗 線形回帰 — 関係性のモデル化
• 🔗 仮説検定 — 統計的判断の枠組み
• 🔗 信頼区間 — 推定の不確実性

↗️ 発展・応用の用語

• 🔗 クラスタリング — 教師なし分類への発展
• 🔗 主成分分析 — 次元削減の代表
• 🔗 時系列解析 — 時間構造の取り扱い
• 🔗 因果推論 — 介入の効果評価
• 🔗 機械学習 — モデル駆動の応用

📚 関連グループ教材

このページの内容を、より広い文脈で学びたいときは：

• 📚 数理最適化 — 連続・離散・確率最適化の位置づけ
• 📚 AI の方法論 — 微分不要 AI としての位置づけ
• 📚 機械学習の基礎 — 勾配法と群知能の使い分け

📚 参考文献・出典

• Kennedy, J., Eberhart, R. (1995). Particle Swarm Optimization. Proc. ICNN.
• Dorigo, M., Stützle, T. (2004). Ant Colony Optimization. MIT Press.
• Karaboga, D. (2005). An idea based on honey bee swarm for numerical optimization. Tech. Report, Erciyes University.
• Yang, X.-S. (2010). Nature-Inspired Metaheuristic Algorithms. Luniver Press.
• Clerc, M., Kennedy, J. (2002). The particle swarm—explosion, stability, and convergence. IEEE Trans. Evol. Comput.
• Storn, R., Price, K. (1997). Differential Evolution. J. Global Optim.

📚 関連グループ教材（拡張版）

本リポジトリには『同カテゴリの用語を横断的に学べるグループ教材』が複数あります。 群知能 に関連の深いものを掲示します。

• 📚 クラスタリング教材 — 教師なし学習・分類
• 📚 時系列解析教材 — 時間構造の系統的学習
• 📚 処置群・対照群教材 — 因果推論の基本設計
• 📚 対照群教材 — 比較設計の論点
• 📚 自然言語処理教材 — テキストデータ向け手法

🧪 ケーススタディ — 群知能 を SSDSE-B-2026 で実践

想定シナリオ：データ解析コンペで「47 都道府県の総人口（人）と他指標の関連を要約せよ」という設問が出題された場合の、 群知能 を活用した解答プロセスを 6 ステップで示します。

合計 2-4 時間の作業で、 群知能 を使った 1 つの分析レポートが完成します。 慣れれば短縮可能ですが、 初心者は「⑥ 報告」を省略せず必ず行ってください。 ここを丁寧にやることが、 査読対応力を大幅に上げます。

📚 学習リソース — 群知能 を深掘りするための参考資料

群知能 をさらに深く学ぶための、 教科書・ウェブ資料・実践書籍を 3 カテゴリで紹介します。 すべて初学者から実務家までを想定した、 日本語・英語のスタンダードな資料です。

推奨の読み方：日本語入門で全体像 → 英語標準教科書で厳密さ → 実装書で手を動かす → 論文で最先端、 の 4 段階で 1-2 年かけて到達できます。 一気に全部はできないので、 必要になった部分から少しずつ。

🛑 アンチパターン集 — 群知能 を使ってはいけない 5 パターン

群知能 は強力な道具ですが、 不適切な場面で使うとむしろ害になります。 以下の 5 パターンに該当する場合は、 別手法を検討するか、 そもそも分析自体を見直してください。

1. サンプル数が極端に少ない：n < 10 だと、 どんな手法を使っても安定した推定は困難。 まずデータ収集の追加を検討。
2. 目的変数の定義が曖昧：『何を予測／要約したいか』が決まらないまま手を動かすと、 結果の解釈不能。 まず問題定義を 1 文で書く。
3. 因果関係を主張したい：群知能 の多くは相関関係を扱う。 因果には別の枠組み（DID, IV, RDD など）が必要。
4. 未来の予測に過去のみ使う：時系列の構造を無視した予測は外挿で破綻する。 時系列専用手法を併用。
5. 公平性が要求される場面：差別的判断につながる出力を 群知能 で出すと法的・倫理的問題。 公平性指標と監査を組み込む。

これら 5 パターンは、 知っていれば回避可能ですが、 締切に追われると誰でも踏みやすい罠です。 共同作業者と相互チェックする習慣を持つことが防止策になります。

🎯 最終チェック — 群知能 を体得したかセルフテスト

本ページを読了したら、 以下のセルフテストで理解度を確認してください。 すべて『はい』と答えられれば、 SSDSE-B-2026 を使った分析レポートに 群知能 を自信を持って投入できます。

• ☐ 群知能 の定義式を、 記号の意味を説明しながら 30 秒で語れる
• ☐ 47 都道府県の 総人口（人） を題材に、 群知能 の計算を Python で書ける
• ☐ 群知能 の主要な仮定を 3 つ以上挙げ、 SSDSE-B-2026 での確認方法を説明できる
• ☐ 群知能 と類似手法（少なくとも 2 つ）の使い分けを判断できる
• ☐ 群知能 の典型的な落とし穴を 5 つ以上挙げられる
• ☐ 群知能 を使った結果を、 査読者に伝わる形でレポートに書ける
• ☐ 不確実性の定量化（信頼区間・標準誤差等）を結果に併記できる
• ☐ 群知能 の歴史的背景を 1-2 分で語れる

不安な項目があれば、 該当セクションに戻って復習を。 ジャストインタイム学習なので、 完璧を目指すより必要に応じて戻ってくる方が効率的です。 本ページが 群知能 習得のお役に立てたら幸いです。

📎 補足資料 — 群知能 を SSDSE-B-2026 で実践する追加ガイド

本セクションは 群知能 の理解をさらに深めるための補足資料です。 SSDSE-B-2026 を題材に、 中級者・上級者向けのトピックをまとめます。 47 都道府県 × 約 110 指標 × 複数年というパネル構造を活かした応用例を含みます。

補足 1 — 計算結果の解釈ガイド

群知能 の計算結果を 47 都道府県の文脈で読み解くには、 単なる数値ではなく『どの県がどのように際立つか』を意識します。 たとえば A1101（総人口（人））の最新値で東京・神奈川・大阪が上位、 鳥取・島根・高知が下位という事実は誰でも知っていますが、 群知能 はこの自明な事実を超えた『隠れた構造』を抽出するための道具です。 結果を見たら必ず以下の 3 点を自問してください：

• ① 結果は事前の期待と一致するか？ 一致しないなら、 何が驚きか？
• ② 一致する場合、 当たり前すぎる結果ではないか？ 既存知識との差分は？
• ③ 上位・下位の都道府県群に共通する特徴は？ 政策・地理・歴史的背景は？

この 3 問を毎回問うだけで、 分析の質と説得力が大幅に向上します。 単なる『計算した』レポートと『考察した』レポートの違いは、 こうした問いの数と深さに現れます。

補足 2 — レポート図表の作成指針

群知能 の結果を図表化する際の指針を 5 点まとめます。 これらを守ると、 査読・上長レビューでの『図が分かりにくい』指摘が激減します。

図表は『データに語らせる』ためのチャンネル。 飾りではなく情報伝達の中核と捉えると、 自然に丁寧な図作成ができるようになります。

補足 3 — 拡張版チェックリスト

本ページ前半の「✅ 実務チェックリスト」をさらに詳細化した、 25 項目の拡張チェックリストを示します。 締切前の最終チェックに使ってください。

• ☐ データ出典（SSDSE-B-2026）が明示されている
• ☐ 取得日と版（2026）が記載されている
• ☐ 各列の単位と意味が確認済み
• ☐ 欠損率が報告されている
• ☐ サンプルサイズ（n=47 など）が明示されている
• ☐ 群知能 の数学的仮定が箇条書きで述べられている
• ☐ 仮定の検証結果（合格／要注意／違反）が表で示されている
• ☐ 標準化・正規化の有無と理由が記載されている
• ☐ ハイパーパラメータの選定根拠が説明されている
• ☐ 多重共線性チェック（VIF 等）が実施されている
• ☐ 外れ値の扱い方針が明示されている
• ☐ 訓練・検証分割が時系列／群構造を考慮している
• ☐ 性能指標（複数）が報告されている
• ☐ 推定値に信頼区間が併記されている
• ☐ 多重比較補正が行われている（該当する場合）
• ☐ 比較対象（ベースライン）が設定されている
• ☐ 結果の図表が 1 図 1 メッセージで作成されている
• ☐ 解釈が 47 都道府県の文脈で具体的に書かれている
• ☐ 限界が明示的に列挙されている
• ☐ 因果関係を主張する場合、 別途因果推論手法を併用している
• ☐ 共同作業者による独立レビューを受けた
• ☐ コードが再現可能（バージョン明記、 シード固定）
• ☐ データへの公開アクセス手段が示されている
• ☐ 利益相反・データ利用許諾が記載されている
• ☐ 提出前にプリント／PDF 化して最終確認した

25 項目すべてに☑を入れられれば、 群知能 を用いた本格的なレポートとして自信を持って提出できます。 該当しない項目は『該当なし』と明記し、 隠さないことが透明性のあるデータサイエンスの基本姿勢です。

補足 4 — 用語ネットワーク

群知能 は単独の用語ではなく、 統計・機械学習・データサイエンスの広いネットワークの 1 ノードです。 周辺の重要ノードを 30 個列挙します。 すべて本リポジトリにページがあり、 リンクで辿れます。

各ノードへのリンクから飛んで、 自分の関心と必要に応じてネットワークを少しずつ広げてください。 これがジャストインタイム学習の基本的な使い方です。

🗺 学習ロードマップ

🗺 学習ロードマップ

1. レベル 1 — 群知能の歴史と動機。 PSO の速度・位置更新式。
2. レベル 2 — pyswarms でベンチマーク関数最適化。 ハイパラ感度。
3. レベル 3 — ACO で TSP、 ABC で連続最適化。 アルゴリズム比較。
4. レベル 4 — Optuna・Hyperopt によるハイパラ探索の実務。
5. レベル 5 — マルチエージェント、 並列化、 surrogates（代理モデル併用）。
6. レベル 6 — 群知能 ×強化学習、 進化戦略、 No-Free-Lunch 定理の理解。

📊 比較表（兄弟手法・選択肢）

群知能アルゴリズムの比較

📖 用語ミニ辞典

🍳 コードレシピ（コピペ用 15 連発）

1
2

from pyswarms.single.global_best import GlobalBestPSO
opt = GlobalBestPSO(n_particles=30, dimensions=2, options={'c1':.5,'c2':.3,'w':.9})

best_cost, best_pos = opt.optimize(f_vec, iters=100)

1
2

from scipy.optimize import differential_evolution
res = differential_evolution(f, bounds)

1
2

from scipy.optimize import dual_annealing
res = dual_annealing(f, bounds)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import numpy as np

# f（最小化する関数）と x0（出発点）を用意する
def f(v):
    x, y = v
    return (1 - x) ** 2 + 100 * (y - x ** 2) ** 2
x0 = np.array([-1.2, 1.0])

from scipy.optimize import basinhopping
res = basinhopping(f, x0)

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

import optuna
import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import cross_val_score
optuna.logging.set_verbosity(optuna.logging.WARNING)

# 直前までの X は 1 列だけなので、ここで説明変数を揃え直す
_d = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
_d = _d[_d['SSDSE-B-2026'] == 2023].reset_index(drop=True)
X = _d[['A1101', 'A1301', 'A1303', 'A9101']].astype(float).values
y = _d['A4101'].astype(float).values

def objective(trial):
    n = trial.suggest_int('n_estimators', 10, 200)
    d = trial.suggest_int('max_depth', 2, 15)
    model = RandomForestRegressor(n_estimators=n, max_depth=d, random_state=0)
    return -cross_val_score(model, X, y, cv=3, scoring='r2').mean()

study = optuna.create_study(sampler=optuna.samplers.TPESampler(seed=0))
study.optimize(objective, n_trials=20)   # 本番は 100 回以上
print('最良:', study.best_params, round(study.best_value, 4))

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

# f（最小化する関数）と space（探索空間）を用意する
from hyperopt import hp

def f(params):
    x, y = params['x'], params['y']
    return (1 - x) ** 2 + 100 * (y - x ** 2) ** 2

space = {'x': hp.uniform('x', -2, 2), 'y': hp.uniform('y', -1, 3)}

from hyperopt import fmin, tpe, hp
best = fmin(f, space, algo=tpe.suggest, max_evals=100)

1

from deap import base, creator, tools, algorithms

def rastrigin(x): return 10*len(x) + sum(xi**2 - 10*np.cos(2*np.pi*xi) for xi in x)

def ackley(x): return -20*np.exp(-0.2*np.sqrt((x**2).mean())) - np.exp(np.cos(2*np.pi*x).mean()) + 20 + np.e

1
2
3
4
5
6
7
8
9

import numpy as np

# W（評価したい重みの並び）と f（評価関数）を用意する
def f(w):
    return float(np.sum(w ** 2))
W = np.random.default_rng(0).normal(size=(8, 3))

from joblib import Parallel, delayed
losses = Parallel(n_jobs=-1)(delayed(f)(w) for w in W)

1
2

import matplotlib.pyplot as plt
plt.plot(opt.cost_history)

results = [GlobalBestPSO(...).optimize(...) for _ in range(30)]

np.random.seed(0)  # 教材では実データ駆動を推奨

if no_improve_count > 20: break

群知能の系譜と兄弟関係：

              【メタヒューリスティクス】
                       │
        ┌──────────────┼──────────────┐
   進化計算          群知能         物理着想
        │              │              │
  ┌─────┴─────┐  ┌─────┼─────┐  ┌─────┼─────┐
  GA  GP  DE   PSO ACO ABC FA   SA  TS  HC
        │              │
       自然淘汰        集団自己組織化

🛠 実践ティップス — 群知能アルゴリズムを使いこなす

PSO や ACO は「とりあえず動く」のは簡単ですが、 「最高性能を引き出す」には設計と運用の工夫が要ります。 ここでは現場でよく使うチューニング手順をまとめます。

① パラメータの初期値（実証的推奨）

• PSO: 慣性 w=0.7298、 自己 c1=1.49618、 社会 c2=1.49618（Clerc and Kennedy 2002 の収束保証値）が頑健な初期値です。 これらの値は係数の積が収束条件を満たすよう設計されています。 粒子数は問題次元の 10 倍が目安、 反復数は 200-1000。
• ACO: フェロモン α=1、 ヒューリスティック β=3、 蒸発 ρ=0.1、 蟻数 = ノード数。 TSP では β を 5 まで上げて貪欲性を高めると速いが、 局所最適に陥りやすくなります。
• ABC（蜂コロニー）: 探索蜂・追従蜂・偵察蜂を同数（コロニーサイズ NP/2）。 食料源放棄の閾値 limit = SN × D（次元数）。

② 多重起動（multi-start）で頑健性を確保

群知能アルゴリズムは確率的なので、 1 回の実行で最適解が出る保証はありません。 必ず 10-30 回独立に実行し、 最良値・中央値・最悪値を集計します。 中央値が真の性能の目安、 最悪値と最良値の差が「不安定さ」の指標です。

③ ハイブリッド化で局所最適を脱出

PSO や ACO は大域探索は得意ですが、 「最適解の近傍での精緻化」は苦手です。 PSO で粗く探索 → BFGS/Nelder-Mead で局所精緻化、 という 2 段構成が定石。 PSO 単独より精度が 1-2 桁向上することもあります。

④ 早期停止と適応的パラメータ

反復ごとの最良値を記録し、 K 反復改善がなければ停止する「早期停止」が時間節約に有効です。 また慣性 w を反復とともに 0.9→0.4 と線形減少させると、 探索（前半）→利用（後半）の切替がスムーズで収束が速まります。

📊 ベンチマーク関数による比較

群知能アルゴリズムを評価するには、 標準ベンチマーク関数で性能を比較します。 代表的なものを紹介します。

典型的なベンチマーク結果（30 次元、 30 回平均）：

• Sphere: PSO ≈ DE ≈ ABC（全手法で 1e-10 以下に収束）
• Rosenbrock: DE（差分進化）が最良、 PSO はやや劣る
• Rastrigin: ABC（蜂コロニー）が安定、 PSO は局所最適に陥りやすい
• Schwefel: どの手法も完全には解けない（最適解 0.0 に対し残差あり）

「No Free Lunch 定理」が示すとおり、 全問題で最良な単一手法はありません。 問題の性質（凸性・分離性・次元）に応じてアルゴリズムを選ぶ、 もしくは複数手法のアンサンブルを使うのが実践的です。

🗺 適用判断フローチャート — 群知能 を使うべきか

群知能 は万能ではなく、 適切な場面で使う必要があります。 以下のフローチャートで判定してください。

[START]
   ↓
Q1: 目的は何か？
   ├ 要約・記述  → A. 適合（群知能 の出番）
   ├ 予測・分類  → Q2 へ
   ├ 因果推論    → 別手法（DID/IV/RDD）を優先
   └ 生成・最適化 → Q3 へ

Q2: データ規模・型は？
   ├ n < 100, 単純構造 → A. 適合
   ├ n >= 100, 多次元    → A. 適合（前処理を強化）
   └ 画像・系列         → 深層学習系の検討を併行

Q3: 計算資源は？
   ├ ローカル CPU で OK → A. 適合
   └ GPU/分散が必要      → 適合だが実装難度↑

[END] → A の場合、 本ページの「🐍 Python 実装」へ

フローチャートで A 判定が出たら、 本ページの実装をそのまま流用できます。 別手法に分岐した場合は、 ページ末尾の「🔗 関連用語（発展）」リンクから移動してください。

🚧 よくある誤用集 — レビューで指摘される 10 パターン

群知能 を使ったレポートを共同作業者・査読者に見せたときに、 高確率で指摘される 10 パターンを並べます。 提出前に自分のレポートと突き合わせてください。

1. 「相関 = 因果」と書いてしまう：必ず『関連』『関係』に言い換える。
2. 有意 = 重要と混同：p < 0.05 でも効果量が小さければ実務的に無意味。
3. 外れ値を消し過ぎ：47 都道府県でいうと東京や北海道は外れ値に見えるが、 本来そのまま扱うべき場合が多い。
4. 標準化の忘れ：群知能 の前処理として標準化を行わず、 結果が歪む。
5. 学習・検証データのリーク：時系列なら時間順 split、 群構造なら GroupKFold。
6. 多重比較未補正：複数仮説を同時に検定して偶然有意を量産。 Bonferroni 等で補正。
7. 過学習：訓練精度のみ報告し、 汎化性能を測らない。
8. 過剰なモデル複雑性：データ規模に対して係数が多すぎる。 AIC/BIC や交差検証で適正化。
9. 仮定違反の見落とし：正規性、 等分散性、 独立性などの確認を省略。
10. 不確実性の隠蔽：点推定だけ報告し、 信頼区間や標準誤差を書かない。

10 件のうち 2-3 件は誰でもやってしまいます。 重要なのは『指摘される前に自分で潰す』姿勢です。 チェックリストを印刷して机に置いておくと事故率が激減します。

📝 報告書テンプレート — 群知能 結果の書き方

群知能 を使った分析結果を報告書・論文・スライドに載せる際のテンプレートです。 5 つの構成要素を順に埋めれば、 過不足のない記述になります。

このテンプレートを使えば、 査読プロセスでよく指摘される『方法の透明性』『限界の明示』『再現性』の 3 観点をカバーできます。

📜 歴史と背景 — 群知能 のあゆみ

群知能 は、 統計学と計算機科学の流れの中から生まれました。 下の年表はこの分野全体の流れで、 群知能 固有の年表ではありません。 この用語がどの時代の産物かを掴むために置いています。

歴史を知ると、 各手法が『なぜそのような形をしているか』が腹落ちします。 特に新手法を学ぶときは、 既存手法との関係・歴史的経緯を併せて押さえると、 表面的な暗記を超えた理解に到達できます。

✅ 実務チェックリスト — 群知能 を使う前に確認すべき 15 項目

群知能 を実務・コンペで使う前に、 以下の 15 項目をすべてチェックしてください。 1 つでも未確認なら、 結果の信頼性が大きく揺らぐ可能性があります。

❓ FAQ — 群知能 に関するよくある質問

📋 ミニ用語辞典 — 群知能 周辺で必ず出会う 20 語

群知能 を学ぶ過程で頻出する 20 の関連用語を、 1 行ずつ簡潔に定義します。 詳細はそれぞれの専用ページへリンクされています。

🎯 拡張版まとめ — 群知能 を 1 分で復習

本ページでは 群知能（Swarm Intelligence） を 12 セクション + 拡張 8 セクションで体系的に整理しました。 ジャストインタイム学習の原則に従い、 すべての節は独立して読めるよう設計されています。 必要な節だけ拾い読みしても OK、 通読しても OK。

• 1 行要約：鳥の群れや蟻の経路探索のような『多数の単純個体の相互作用で全体最適へ』のアルゴリズム
• カテゴリ：メタヒューリスティクス
• 主要式：$$ v_i^{t+1}=\omega v_i^t + c_1 r_1 (p_i^{best}-x_i^t) + c_2 r_2 (g^{best}-x_i^t) $$
• 典型データ：SSDSE-B-2026 の A1101（総人口（人））等
• 使える場面：要約・予測・最適化・生成のいずれか
• 避けるべき場面：仮定違反、 サンプル不足、 外挿、 因果主張

本ページが役に立ったら、 ページ末尾の「🔗 関連用語（前提・並列・発展）」と「📚 関連グループ教材」から次の用語に進んでください。 知識のネットワークが少しずつ広がり、 全体像が見えてきます。

🔗 隣接手法への橋渡し

群知能 (swarm intelligence) は「個体は単純なルールに従うが、 集団として複雑な問題解決を実現する」自己組織化アルゴリズム群。 PSO (粒子群最適化)、 ACO (蟻コロニー最適化)、 ABC (人工蜂コロニー) が代表例。 SSDSE-B-2026 で 47 都道府県 × 110 指標から最適な変数組合せを探索する組合せ最適化問題に PSO を適用する応用が考えられる。

• 上流: 進化計算 (遺伝的アルゴリズム)、 メタヒューリスティクス、 マルチエージェントシステム。
• 並列: 遺伝的アルゴリズム、 シミュレーテッドアニーリング、 ベイズ最適化。 連続 / 離散 / ハイブリッド問題で使い分け。
• 下流: ハイパーパラメータ最適化、 特徴量選択、 ルート最適化 (TSP)、 制御最適化、 機械学習モデルの構造探索 (NAS)。

群知能は「局所最適に陥りにくい」「並列化しやすい」反面、 「収束保証なし」「ハイパラ調整がアートに近い」。 SSDSE 分析でも特徴量選択の補助ツールとして使えるが、 Lasso / Random Forest 特徴量重要度と比較する。

🌳 手法選択フロー

最適化問題の性質から群知能アルゴリズムを選ぶフロー。

1. ① 探索空間は連続か離散か? 連続 (実数値ハイパラ) → PSO / DE (差分進化)。 離散 (組合せ・順序) → ACO (経路探索が得意) / ABC。 SSDSE の特徴量選択は離散二値なので ACO 寄り。
2. ② 評価関数の計算コストは? 軽い → 群サイズ大 (100+)、 反復 100+ 回。 重い → 群サイズ 20、 反復 30 + ベイズ最適化の代替検討。
3. ③ 多目的か単目的か? 単目的 → 標準 PSO。 多目的 (Pareto 最適) → MOPSO / NSGA-II 系。 SSDSE で「予測精度 + 解釈性」のトレードオフを探るなら多目的。

群知能は他のメタヒューリスティクスと比較してアルゴリズム自体の選択も重要。 ノーフリーランチ定理により問題依存で、 まず Random Search → ベイズ最適化 → PSO の順で試すのが定石。