実務につなげる数理最適化

2024/12/11に、白金鉱業Meetup Vol.16で発表した、梅谷の資料です。

Transcript

1. 実務につなげる数理最適化 白金鉱業 Meetup Vol.16@六本木 株式会社リクルート データ推進室アドバンスドテクノロジーラボ 梅谷 俊治 2024/12/11 今日はスライドの一部を ピックアップして話します
2. 2 自己紹介 • 梅谷 俊治 (うめたに しゅんじ) • 現職 (2023/10〜) 株式会社リクルート データ推進室 アドバンスドテクノロジーラボ シニアリサーチャー • 前職 (〜2023/9) 大阪大学 大学院情報科学研究科 数理最適化寄附講座教授 • 専門分野 数理最適化 (組合せ最適化)、アルゴリズム、メタヒューリスティクス • 研究テーマ ü 大規模かつ汎用的な組合せ最適化問題に対するアルゴリズムの開発 ü 機械学習にもとづく組合せ最適化アルゴリズムの自動構成 ü 最適化モデルとアルゴリズムの現実問題への応用 • 著書 ü 『しっかり学ぶ数理最適化：モデルからアルゴリズムまで』講談社 (2020) ü 『応用に役立つ50の最適化問題』朝倉書店 (2009)
3. 3 しっかり学ぶ数理最適化 • 2020年10月に講談社より出版。 • 1章：数理最適化入門 • 2章：線形計画 線形計画問題の定式化、単体法、 緩和問題と双対問題 • 3章：非線形計画問題 非線形計画問題の定式化、制約なし最適化問題、 制約つき最適化問題 • 4章：整数計画と組合せ最適化 整数計画問題の定式化、 アルゴリズムの性能と問題の難しさ、 効率的に解ける組合せ最適化問題、 分枝限定法と切除平面法、近似解法、 局所探索法、メタヒューリスティクス 最適化問題の定式化からアルゴリズムまで幅広い内容を解説 お陰様で10刷発行 1万部を超えました
4. 4 講演の概要 1. 数理最適化の概要 2. 組合せ最適化の応用と研究 3. 現実問題への数理最適化の適用 4. 現実問題における課題と対策 5. 数理最適化の普及と専門家の育成
5. 5 数理最適化による問題解決 • 「AIで問題解決しました」というプレスリリースの実態は？ • 数理科学(数理工学)：現実問題を数理モデルに定式化し、数学的・科学的 手法による解析を通じて問題解決を実現する。 • 問題解決では、記述的段階(データ取得)、予測的段階(データ分析)、 処方的段階(意思決定)の手順を踏む。 • 数理最適化による問題解決を実現するためには「最適化問題の定式化」と 「アルゴリズムの開発(もしくは利用)」が必要。 AIと一口には 言うものの ビッグデータ AI(機械学習) 数理最適化 現状把握・可視化 Description(記述) 要因・予測分析 Prediction(予測) 意思決定・計画作成 Prescription(処方) 数百万の顧客に推薦する 商品の割当てを求める 超大規模な最適化問題 クーポン配信の事例 人気商品に偏ってない？ 予算内に収められる？ 多様な制約を満たせる？ 機械学習で個別の割当の 期待利得は推定できる
6. 6 数理最適化による問題解決 • 「AIで問題解決しました」というプレスリリースの実態は？ • 数理科学(数理工学)：現実問題を数理モデルに定式化し、数学的・科学的 手法による解析を通じて問題解決を実現する。 • 問題解決では、記述的段階(データ取得)、予測的段階(データ分析)、 処方的段階(意思決定)の手順を踏む。 • 数理最適化による問題解決を実現するためには「最適化問題の定式化」と 「アルゴリズムの開発(もしくは利用)」が必要。 現 実 問 題 最 適 化 問 題 ( 近 似 ) 最 適 解 解 決 策 定式化 アルゴリズムの 開発・利用 分析・検証 最適化問題の修正
7. 7 最適化問題の定式化 • ある飲料メーカーでは、トマト、にんじん、ほうれん草を原料とする 野菜ジュースを製造している。 • 野菜ジュースに含まれる食物繊維、ビタミンC、鉄分、βカロチンの必要量を 満たしつつ、原料費を最小に抑える各野菜の購入量は？ • トマト、にんじん、ほうれん草の購入量(kg)を とする。 <latexit sha1_base64="0GihLGpqyVV0S3TzidLkTGtCHpc=">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</latexit> x1, x2, x3 食物繊維 ビタミンC 鉄分 βカロチン 価格(円/kg) トマト 10 15 2 5 400 にんじん 25 5 2 80 250 ほうれん草 30 35 20 40 1000 必要量(単位/2L) 50 60 10 40 → 原料費を最小化 → 食物繊維は50単位以上 → ビタミンCは60単位以上 → 鉄分は10単位以上 → βカロチンは40単位以上 → 各野菜の購入量は非負
8. 8 最適化問題の定式化 • ある飲料メーカーでは、トマト、にんじん、ほうれん草を原料とする 野菜ジュースを製造している。 • 野菜ジュースに含まれる食物繊維、ビタミンC、鉄分、βカロチンの必要量を 満たしつつ、原料費を最小に抑える各野菜の購入量は？ • トマト、にんじん、ほうれん草の購入量(kg)を とする。 <latexit sha1_base64="0GihLGpqyVV0S3TzidLkTGtCHpc=">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</latexit> x1, x2, x3 食物繊維 ビタミンC 鉄分 βカロチン 価格(円/kg) トマト 10 15 2 5 400 にんじん 25 5 2 80 250 ほうれん草 30 35 20 40 1000 必要量(単位/2L) 50 60 10 40 最適値：1600 最適解：
9. 9 代表的な最適化問題 • 連続最適化問題：変数が実数のような連続的な値を取る最適化問題。 • 組合せ最適化問題：変数が整数や{0,1}のような離散的な値を取る最適化問題 や、最適解を含む解集合(探索空間)が順列やネットワークなど組合せ的な構造 を持つ最適化問題。 線形計画問題 凸2次計画問題 非線形計画問題 連続最適化問題 混合整数計画問題 整数計画問題 ネットワーク最適化問題 離散最適化問題 (組合せ最適化問題)
10. 10 代表的な最適化問題とアルゴリズム 連続最適化問題 離散最適化問題 (組合せ最適化問題) 線形計画問題 凸2次計画問題 (半正定値計画問題，2次錐計画問題) 制約なし非線形計画問題 整数計画問題 資源配分問題，最小全域木問題など 貪欲法 ナップサック問題，資源配分問題， 最小費用弾性マッチング問題など 動的計画法 最大流問題，最小費用流問題， 最大マッチング問題，割当問題など 増加路法，負閉路消去法，最短路繰り返し法， (ハンガリー法) 最短路問題 ダイクストラ法，ベルマン・フォード法， フロイド・ウォーシャル法 分枝限定法，切除平面法，(分枝カット法) ビンパッキング問題，最大カット問題， 巡回セールスマン問題，頂点被覆問題， ナップサック問題など 性能保証付き近似解法 さまざまなNP困難問題 発見的解法，局所探索法，メタヒューリスティクス， (分枝カット法) 単体法，(内点法) 有効制約法，(内点法) 制約つき非線形計画問題 最急降下法，ニュートン法，準ニュートン法 ペナルティ関数法，拡張ラグランジュ関数法， 内点法，逐次２次計画法
11. 11 講演の概要 1. 数理最適化の概要 2. 組合せ最適化の応用と研究 3. 現実問題への数理最適化の適用 4. 現実問題における課題と対策 5. 数理最適化の普及と専門家の育成
12. 12 数理最適化の応用事例 • 製造、製紙、鉄鋼、石油・化学、物流、旅客、農業、鉱業、エネルギー、 医療、科学、広告、スポーツなど幅広い分野に応用を持つ。 • 電子ジャーナルの購読計画、カタログレイアウトの作成、電気自動車の充放電 計画、対訳文の対応付け、自動車船の配船・運航計画、自動車船の積付け計画、 クーポン配信計画、宿泊予約システムのリスト作成など。 広告配信 人員配置 システム運用 物流・配送 生産計画 エネルギー 機械学習 制御 信号処理 待ち行列 シミュレーション 数理最適化 ゲーム理論 現実世界 数理の世界 学術から産業まで幅広い分野の事例が 最適化問題に定式化できる
13. 13 事例：電子ジャーナルの購読計画 • 電子ジャーナルの価格高騰による包括契約からタイトル毎の個別契約への移行 にともなう諸問題の解決。 • 限られた予算の下で購読タイトルを決定する問題を整数計画問題に定式化し、 最小充足率の最大化で分野による偏りの少ない現実的な購読計画案を実現。 • 全体の充足率が66.05%→70.50%に向上、最小充足率も68.87%と分野による 偏りを大幅に軽減。 梅谷俊治、電子ジャーナル購読計画の効率的な作成、OR学会九州支部講演会、2016/3/26。 0% 20% 40% 60% 80% 100% Veterinary Science and Veterinary… Social and Behavioral Sciences Physics and Astronomy Pharmacology, Pharmaceutical Science… Nursing Neuroscience Medicine Mathematics Materials Science Life Sciences Health Professions Environmental Sciences Engineering, Energy and Technology Economics, Business and Management Earth and Planetary Sciences Dentistry Computer Science Chemistry and Chemical Engineering Arts and Humanities Agricultural and Biological Sciences 0% 20% 40% 60% 80% 100% Veterinary Science and Veterinary… Social and Behavioral Sciences Physics and Astronomy Pharmacology, Pharmaceutical Science… Nursing Neuroscience Medicine Mathematics Materials Science Life Sciences Health Professions Environmental Sciences Engineering, Energy and Technology Economics, Business and Management Earth and Planetary Sciences Dentistry Computer Science Chemistry and Chemical Engineering Arts and Humanities Agricultural and Biological Sciences
14. 14 事例：カタログレイアウトの作成 • 週次で、①商品カタログ配布、②顧客から商品受注、③顧客に商品配達する 宅配事業会社にて、1000点以上の商品を掲載するカタログの各ページの商品 レイアウトを自動作成する。 • 同種の商品を互いに近くに配置するレイアウトを自動作成する問題を、 ①長方形詰込み問題、②割当問題の2通りに定式化。 • コマ割りテンプレートを用意し、1ページ当たり約1秒で実用的なレイアウト を作成するメタヒューリスティクスを開発。 梅谷俊治、カタログレイアウトの自動生成、OR学会秋季研究発表会、2018/9/6。
15. 15 事例：電気自動車の充放電計画 • 電気自動車を充放電させて蓄電池の代替として利用したい。 • 電気自動車を適切なタイミングで充放電させることで、ピーク時間帯における 配電系統からの受電量の平準化を実現する。 • 電気自動車は放電時に直流電流、充電時には負荷となり、出庫時には電力ネッ トワークから離脱する。 • 電力ネットワークを時間軸方向に拡張した時間拡大ネットワーク上で、各辺の フロー量を決定する混合整数計画問題に定式化する。 配電系統 AC負荷 AC/DC コンバータ DC/AC インバータ 太陽光発電 交流系統 EV 1 DC負荷 EV 2 AC/DC コンバータ 直流系統 配 電 系 統 AC負 荷 E V1 D C負 荷 E V2 太 陽 光 発 電 交 流 系 統 コ ン バ ー タ イ ン バ ー タ 時 刻 AC DC 直 流 系 統 交 流 系 統 直 流 系 統 交 流 系 統 直 流 系 統 S.Umetani, Y.Fukushima, H.Morita, A linear programming based heuristic algorithm for charge and discharge scheduling of electric vehicles in a building energy management system, Omega, 67 (2017), 115-122.
16. 16 事例：対訳文の対応付け • 統計的機械翻訳の前処理で対訳文書の組から対応する文の組を特定する。 • 文章の並びに単調性があれば動的計画法で効率良く解けるが、実際の文は 非単調なため整数計画問題に定式化して対応付けを求める。 西野正彬、鈴木潤、梅谷俊治、平尾努、永田昌明、集合分割問題に基づく系列アライメントのモデル化、 自然言語処理、23 (2016)、175-194。 The man looks intently at the window. Then sees a shadow. It was in the trees. What was it? He is alarmed and awake. その男は窓を見ていた。 そして木の中に影を見つけた。 あれはなんだ？ 彼は驚いて飛び起きた。 単調な対訳文の対応付け 非単調な対訳文の対応付け 英語 日本語 英語 日本語
17. 17 事例：自動車船の配船・運航計画 • 世界各地を航海する約100隻の自動車船に4ヶ月の約200ブッキング(約130万 台)を割り当てる。 • 各船の航海パターン候補を列挙した後に、全てのブッキングを充足する航海 パターンの組合せを求める整数計画問題に定式化する。 • 整数計画ソルバーにより約3分で実用的なスケジュールを作成。 Booking1 5000台 Booking2 3000台 Booking3 4000台 Booking4 4500台 Booking5 2500台 貨物船2:3000台 貨物船1:5000台 <latexit sha1_base64="tI4NbA88wk3UGDXGY96Hwj3VUrI=">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</latexit> <latexit sha1_base64="TvN/BVfDctszjWwBRC5rFEyjDRI=">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</latexit> <latexit sha1_base64="htk3V/2aYntsWzUxyIJ36MHWJ7U=">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</latexit> <latexit sha1_base64="wD8k2qTn7FJZuCWfggfI0/NHryM=">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</latexit> <latexit sha1_base64="0c977q0VdlK7Tvfijp+fdA27RJs=">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</latexit> <latexit sha1_base64="htbl/5wnPsioSaE2iOfxBj35DGc=">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</latexit> <latexit sha1_base64="mhFnBiJ3ht41i33JOJyqPTOG7LY=">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</latexit> 航海パターン候補は 約200万通り 双対問題を利用して 候補数を大幅に削減 4ヶ月間の航海数は 約200航海 4ヶ月間の荷量は 約130万台 船舶数は約100隻 (約50万台の輸送能力) 商船三井、自動車船の配船計画支援システムの運用を開始しDXを加速、プレスリリース、2021/5/21。 https://www.mol.co.jp/pr/2021/21046.html
18. 18 事例：自動車船の積付け計画 • 複数の積み港から複数の揚げ港に運航する自動車船において、複数の車種から 構成される約20ブッキングを自動車船内の約40区画に割り当てる。 • 寄港時の車両の搬入出経路の確保を始めとする多様な条件を考慮し、ブッキン グを自動車船内の区画に割り当てる問題を整数計画問題に定式化。 揚げ港 X港 Y港 Z港 A港 100 200 2200 積み港 B港 300 2000 300 C港 1300 600 100 寄港順は A→B→C→X→Y→Z ホールド1 ブッキングの概要 ホールド2 ホールド3 ホールド4 ホールド5 自動車専用船の概要 積付けの例 商船三井、自動車船業務DX推進プロジェクト「数理最適化」活用第2弾！、プレスリリース、2021/9/21。 https://www.mol.co.jp/pr/2021/21081.html
19. 19 事例：クーポン配信計画 • 一部の人気商品に偏らない、各顧客への配信数の上限を満たすなど多様な制約 の下で、期待利得の合計を最大化するクーポン配信計画を求める問題を整数計 画問題に定式化。 • 約500商品、約300万顧客の超大規模な最適化問題に対して、実用的な配信計 画を1時間で作成するメタヒューリスティクスを開発。 T.Kan, S.Umetani, H.Morita, A weighting local search algorithm for huge assignment problem in item recommendation, ISMP2018, 2018/7/1. 人気商品に偏ってない？ 予算内に収められる？ 多様な制約を満たせる？ 機械学習で個別の割当の 期待利得は推定できる 顧客数が300万人以上の 超大規模な最適化問題 広告主 広告企業 クーポン配布 商品購入 顧客 最低限の利益保証
20. 20 事例：宿泊予約システムのリスト作成 • ユーザーが入力するキーワードに関連する商品をリストに表示する。 • 類似した商品が続けて表示されると期待利得の伸びが鈍くなる。 • 多様性を考慮したリストを作成する問題は2次割当問題に定式化できる。 • 数理最適化ソルバーでは約30個の商品しか並び替えできない。 • リストの上位k個の商品のみ多様性を考慮する2段階法を採用。 • 1段階目を(線形)割当問題に定式化することで計算時間を大幅に削減。 A.Shgematsu, S.Umetani, N.Nishimura, Optimizing the ordered recommendation list in E-commerce site via quadratic assignment problem, INFORMS Annual Meeting, 2019/10/21. … step1 step2 … … … … … 1. C, North, City hotel 2. B, North, City hotel 3. A, North, City hotel 4. D, North, City hotel 5. E, North, Budget hotel 6. H, South, Budget hotel 7. F, South, Budget hotel 8. G, South, Budget hotel … 1. B, North, City hotel 2. G, South, Budget hotel 3. A, North, City hotel 4. E, North, Budget hotel 5. H, South, Budget hotel 6. C, North, City hotel 7. F, South, Budget hotel 8. D, North, City hotel … 類似したホテルばか りで参考にならない 色々なホテルが掲載 されて参考になる リスト先頭のk個 のみ多様性を考慮
21. 21 事例：テレビCMの配信枠の割当 • テレビ局から提示された複数のCM枠に対して、広告効果を最大化する自社 CMを割り当てる。 • CMの種類によりターゲット視聴者の属性が異なる。 • 視聴者のCM視聴回数が閾値を超えると認知率が急に上がる。 • 各CMに対して4回以上視聴した(=認知した)ターゲット視聴者数を最大化する 割当問題を整数計画問題に定式化。 • 延べ視聴率の最大化と比較して、認知ターゲット視聴者数が増加。 濱田賢吾、棚橋耕太郎、梅谷俊治、認知視聴者数を考慮したTVCM素材の割当て、OR学会春季研究発表会、 2021/3/3。 CM (学生) CM (保護者) 保護者 学生 CM (学生) 有効視聴 1回 有効視聴 2回 期待視聴回数 延べ視聴率を維持しつつ 認知ターゲット視聴者数 を最大化 CMごとにターゲット 視聴者が異なる
22. 22 事例：平準化を考慮した商品推薦 • スコアが高い商品ばかり推薦すると大きな偏りが生じる。 • 事前に定めた目標を達成する商品数を最大化する割当問題。 →最大化問題をリアルタイムに求解するのは現実的ではない。 →新規ユーザーにも適切な商品を推薦したい。 • スコア×調整係数で推薦する商品を決定する。 • ユーザー×商品の割当を求めた後に、割当結果を可能な限り再現する調整係数 を求める2段階法を提案。 濱田賢吾、西村直樹、梅谷俊治、アイテム推薦における公平性考慮のための二段階最適化、OR学会春季研究発 表会、2023/3/8。 ユーザ 推薦システム スコア 逐次的な訪問 リアルタイム推薦 最適化システム 調整係数 × 効果 スコア順推薦 提案手法 (調整係数=1) 提案手法 (調整係数>1) 調整係数
23. 23 事例：価格操作範囲の自動設定 • 既知の目的関数・制約条件に加えて、オペレーターの暗黙知を考慮し、多数の 候補から適切な価格操作を提案するシステムを構築。 • 操作履歴からオペレーターの暗黙知を抽出し、各オペレーターが暗黙に抱える 価格操作範囲を自動構成する。 • 支持度の下限が与えられた下で確信度が最大の区間を算出する。 • 数値属性相関ルールに基づき算出した操作範囲を、価格操作の特性を考慮した モデルにより補正する手法を提案。 S.Ikeda, N.Nishimura, S.Umetani, Interpretable price bounds estimation with shape constraints in price optimization, The Review of Socionetwork Strategies, in press. 価格操作後粗利率 補正なし ①単調性 ②③凹性凸性 ①②③単調性凹性凸性 価格操作前粗利率
24. 24 事例：遺伝子発現解析 • 遺伝子発現量を測定して細胞種を推定する。 • シングルセル遺伝子発現解析：細胞毎に遺伝子発現量を測定する。 • 空間トランスクリプトーム解析：スポット毎に遺伝子発現量を測定する。 • スポット内に混在する複数の細胞の内訳を推定する問題を、大規模な線形計画 問題に定式化。 瀬尾先生＠大阪大学 との共同研究 S.Seno, S.Umetani, H.Matsuda, Cell-type deconvolution for spatial transcriptome based on linear programming, 32th Conference on ISMB (Intelligent Systems for Molecular Biology), 2024/7/12. 生物の組織 シングルセル遺伝子発現解析 空間トランスクリプトーム解析 細胞 遺伝子発現量 遺伝子発現量 スポット 細胞種1 細胞種2 細胞種3 細胞種4
25. 25 研究：ビットマップ図形の詰込み • 高解像度・任意形状の図形を効率的に詰め込む最適化問題。 • ビットマップ図形を隙間なく詰め込む問題に対して局所探索法を開発。 • ビットマップ図形を水平・垂直方向に走査して2種類のスキャンライン図形を 作成した上で、ミンコフスキー差と呼ばれる補助データ構造から、各図形対の 重なり度を高速に計算する手法を提案。 • 1次元探索を繰り返し適用するメタヒューリスティクスを開発してベンチマー ク問題例に適用。 S.Umetani, S.Murakami, Coordinate descent heuristics for the irregular strip packing problem of rasterized shapes, European Journal of Operational Research, 303 (2022), 1009-1026. 2048pixel Profiles2(75.9%) Profiles9(55.3%) Swim(72.7%) Mao (83.6%)
26. 26 研究：大規模な2値整数計画問題 • 複数の変数を同時に反転する近傍操作による重み付き局所探索法を提案。 • 入力データから変数間の関係を取り出して探索空間を絞り込む。 • 適応的なペナルティ重みの調整による実行可能解の探索。 • 補助記憶を利用した評価関数の効率的な計算。 • 約256万変数の大規模な集合分割問題に対して質の高い近似解を求解。 S.Umetani, Exploiting variable associations to configure efficient local search algorithm, European Journal of Operational Research, 263 (2017), 72-81. 同じ制約条件に同時に 現れる頻度が高い 変数間の関係を表すk-近傍グラフ x1 x98 x809 x701 x141 x765 x749 x784 x365 x662 x2 x186 x810 x99 x303 x275 x291 x247 x204 x766 x825 x750 x785 x142 x663 x148 x702 x241 x1040 x417 x3 x100 x811 x304 x187 x78 x143 x703 x891 x767 x826 x751 x786 x418 x657 x205 x292 x276 x995 x391 x166 x682 x4 x79 x491 x85 x1064 x101 x658 x167 x188 x392 x833 x426 x368 x463 x775 x10 x398 x689 x173 x382 x160 x758 x1186 x144 x704 x892 x665 x5 x102 x813 x705 x492 x369 x893 x828 x769 x753 x788 x145 x659 x427 x834 x997 x6 x493 x1066 x731 x208 x777 x428 x162 x760 x685 x394 x7 x494 x309 x104 x86 x370 x429 x475 x424 x707 x395 x170 x11 x690 x174 x8 x495 x87 x105 x708 x83 x430 x371 x476 x642 x1127 x12 x175 x668 x691 x896 x310 x171 x396 x461 x192 x9 x496 x311 x106 x193 x84 x431 x372 x477 x643 x267 x381 x709 x1014 x254 x283 x298 x210 x664 x688 x397 x172 x194 x497 x735 x284 x211 x958 x299 x432 x763 x561 x108 x821 x711 x373 x836 x761 x779 x1190 x1070 x196 x388 x764 x287 x301 x212 x499 x13 x500 x274 x416 x435 x185 x900 x14 x109 x318 x712 x1151 x901 x260 x601 x437 x15 x199 x502 x110 x319 x375 x866 x1115 x242 x153 x713 x261 x602 x438 x16 x827 x111 x714 x277 x768 x752 x1179 x787 x200 x320 x376 x671 x293 x903 x1153 x17 x112 x1074 x201 x155 x715 x278 x504 x1180 x868 x244 x1117 x18 x1075 x113 x202 x829 x420 x279 x716 x322 x378 x869 x245 x1118 x754 x770 x789 x19 x203 x114 x487 x1119 x830 x20 x831 x323 x281 x1077 x756 x816 x773 x790 x191 x907 x972 x507 x772 x21 x115 x508 x1078 x324 x717 x154 x56 x282 x444 x832 x871 x22 x116 x509 x718 x325 x1079 x1185 x818 x792 x672 x675 x445 x1030 x425 x774 x23 x117 x510 x326 x1080 x676 x719 x1142 x873 x1143 x446 x1035 x1159 x272 x910 x58 x24 x118 x1081 x835 x157 x383 x720 x776 x1187 x1188 x251 x1125 x874 x25 x209 x286 x513 x253 x876 x794 x300 x195 x912 x448 x1051 x26 x514 x119 x329 x449 x385 x1146 x722 x837 x450 x877 x1147 x1037 x913 x1161 x27 x723 x120 x330 x288 x386 x679 x677 x1148 x451 x1019 x914 x1162 x467 x28 x289 x331 x915 x948 x453 x1150 x839 x29 x121 x290 x726 x686 x389 x30 x122 x846 x520 x727 x339 x390 x994 x917 x455 x1164 x647 x681 x687 x31 x847 x728 x1091 x123 x221 x408 x1158 x791 x803 x521 x32 x124 x222 x522 x1092 x729 x1166 x919 x457 x584 x33 x125 x730 x523 x342 x223 x684 x393 x458 x920 x1160 x1016 x464 x849 x36 x527 x128 x226 x345 x734 x588 x851 x654 x807 x37 x129 x736 x1099 x227 x926 x1173 x399 x38 x1102 x130 x532 x214 x797 x738 x402 x470 x39 x739 x1103 x853 x131 x176 x692 x403 x215 x533 x798 x348 x40 x534 x740 x132 x349 x854 x472 x404 x799 x693 x230 x367 x471 x1165 x41 x741 x1105 x350 x855 x133 x694 x405 x217 x535 x800 x231 x42 x134 x856 x351 x742 x179 x1167 x232 x473 x294 x695 x43 x135 x858 x353 x743 x538 x234 x1169 x802 x1170 x44 x744 x136 x1109 x354 x539 x235 x178 x181 x804 x1000 x1034 x859 x409 x1171 x1048 x596 x45 x355 x137 x860 x540 x236 x1110 x182 x745 x974 x410 x478 x1172 x1015 x1049 x805 x46 x138 x861 x356 x746 x237 x183 x699 x696 x47 x238 x139 x862 x543 x1112 x413 x357 x747 x806 x480 x1174 x48 x748 x140 x863 x358 x239 x1038 x49 x302 x481 x50 x1072 x656 x77 x51 x360 x483 x1041 x629 x482 x1073 x52 x419 x305 x884 x484 x503 x812 x53 x362 x631 x990 x1043 x306 x485 x54 x146 x263 x421 x660 x1137 x886 x307 x486 x1076 x55 x771 x264 x755 x1138 x887 x147 x265 x889 x1139 x488 x489 x1012 x57 x266 x890 x366 x619 x490 x248 x606 x1140 x149 x249 x1141 x340 x554 x59 x150 x268 x312 x250 x608 x206 x1123 x555 x60 x1082 x269 x1124 x1031 x61 x151 x270 x667 x895 x1145 x641 x314 x62 x152 x1085 x1018 x315 x271 x515 x1191 x780 x63 x781 x1086 x838 x560 x64 x273 x434 x257 x1149 x899 x1054 x628 x65 x1055 x442 x246 x374 x1120 x423 x308 x66 x443 x1056 x670 x67 x1057 x1122 x607 x1042 x68 x1058 x377 x872 x69 x1059 x156 x207 x673 x70 x447 x379 x674 x327 x512 x71 x1062 x252 x380 x1126 x313 x1013 x72 x1063 x159 x757 x328 x73 x1128 x567 x74 x161 x759 x255 x878 x819 x1065 x1129 x1050 x511 x568 x75 x1067 x256 x571 x1130 x945 x76 x163 x1068 x1131 x518 x762 x165 x454 x332 x519 x883 x683 x80 x168 x189 x81 x169 x190 x363 x336 x82 x296 x460 x127 x526 x297 x1001 x528 x341 x572 x732 x344 x400 x733 x737 x88 x407 x967 x1028 x537 x1046 x89 x177 x595 x90 x583 x969 x848 x91 x92 x180 x411 x474 x93 x412 x697 x542 x1017 x587 x94 x698 x598 x795 x95 x414 x544 x911 x96 x415 x700 x184 x545 x97 x888 x462 x904 x937 x953 x905 x971 x954 x103 x706 x894 x666 x909 x466 x897 x107 x710 x898 x669 x498 x865 x1177 x867 x1116 x243 x441 x505 x793 x880 x220 x582 x585 x651 x126 x34 x343 x525 x586 x999 x465 x35 x850 x1020 x347 x1006 x1008 x592 x593 x844 x1135 x636 x918 x935 x1045 x506 x1011 x158 x1061 x611 x817 x1053 x678 x384 x724 x721 x164 x680 x725 x1069 x334 x959 x530 x1121 x870 x1029 x1152 x902 x1154 x1009 x1095 x922 x338 x908 x1157 x923 x559 x941 x973 x924 x612 x942 x626 x985 x1036 x925 x627 x927 x977 x563 x197 x864 x1113 x240 x198 x1114 x600 x259 x603 x262 x422 x618 x213 x576 x840 x987 x961 x796 x882 x1021 x841 x333 x1007 x1023 x578 x989 x952 x216 x335 x1104 x1025 x1010 x1155 x991 x965 x1044 x218 x801 x1026 x845 x1106 x857 x604 x992 x219 x993 x557 x640 x594 x982 x224 x652 x570 x983 x597 x1003 x976 x228 x620 x649 x980 x621 x650 x981 x996 x1047 x1052 x625 x653 x984 x614 x1002 x613 x479 x1004 x258 x1132 x1133 x1134 x885 x1136 x949 x591 x565 x951 x955 x562 x929 x1022 x551 x934 x564 x1027 x637 x968 x566 x556 x639 x950 x843 x440 x921 x280 x906 x1156 x337 x998 x459 x558 x940 x1033 x285 x944 x529 x574 x575 x978 x590 x979 x229 x589 x646 x946 x1005 x1039 x814 x524 x617 x623 x316 x433 x823 x782 x1193 x317 x436 x501 x546 x928 x630 x547 x548 x930 x321 x516 x573 x783 x1194 x456 x957 x346 x468 x517 x469 x966 x552 x635 x352 x1168 x938 x406 x295 x359 x361 x577 x579 x1024 x364 x553 x581 x605 x638 x936 x439 x622 x387 x879 x824 x970 x1098 x401 x531 x648 x536 x624 x1111 x956 x655 x986 x549 x632 x931 x550 x633 x932 x1184 x822 x452 x615 x1087 x960 x1178 x943 x644 x975 x1032 x233 x541 x225 x962 x963 x964 x580 x634 x933 x645 x569 x875 x599 x916 x609 x610 x939 x616 x947 x661 x1060 x1084 x1192 x1088 x815 x1183 x778 x820 x1083 x1189 x1090 x842 x1093 x1094 x1096 x1097 x1100 x1101 x852 x1163 x1108 x808 x1175 x881 x988 x1071 x1089 x1107 x1144 x1176 x1181 x1182 <latexit sha1_base64="tZlPWjpLmcLj2BkCO+h3rpF1oek=">AAACXnichVBNT8JAEH1URUQR1AuJFyIx8URaQvBK4sUjRvlIlDRtHXClX7ZblRD+gDevevJnefNfeHVamxAh6myy+2bee7O7Y/q2CKWqvmeUldW17HpuI7+5VdgulnZ2u6EXBRZ1LM/2gr5phGQLlzpSSJv6fkCGY9rUM8cnMd+7pyAUnnshJz4NHGPkiqGwDMml3qM+vdW1mV6qqjU1icoy0FJQRRptr/SGK1zDg4UIDgguJGMbBkJelxgyJtxxfYApVwPmRaIgzJBnd8Q6gs+chTHvI85ipZN0mPBpsrKCQ/L14lP5/PNfl8OnxM3c9Ycj5BfO9bEuSH5BeGCdx1zMuvzHKXPD5AbBr59whZI84kyyN+bjbov13+82uRfzPHRtccTLoFuvac1a86xRbdXT8eewjwMcQcMxWjhFG52k/zNe8Jr5ULJKQSl+S5VM6tnDj1DKX5llfos=</latexit> xj1 <latexit sha1_base64="WWG/y9ANFC4w15WtvkiLywsHss0=">AAACXnichVBNT8JAEH1URUQR1AuJFyIx8URaQvBK4sUjRvlIlDRtHXClX7ZblRD+gDevevJnefNfeHVamxAh6myy+2bee7O7Y/q2CKWqvmeUldW17HpuI7+5VdgulnZ2u6EXBRZ1LM/2gr5phGQLlzpSSJv6fkCGY9rUM8cnMd+7pyAUnnshJz4NHGPkiqGwDMml3qM+vdXrM71UVWtqEpVloKWgijTaXukNV7iGBwsRHBBcSMY2DIS8LjFkTLjj+gBTrgbMi0RBmCHP7oh1BJ85C2PeR5zFSifpMOHTZGUFh+Trxafy+ee/LodPiZu56w9HyC+c62NdkPyC8MA6j7mYdfmPU+aGyQ2CXz/hCiV5xJlkb8zH3Rbrv99tci/meeja4oiXQbde05q15lmj2qqn489hHwc4goZjtHCKNjpJ/2e84DXzoWSVglL8liqZ1LOHH6GUvwCbWn6M</latexit> xj2 <latexit sha1_base64="JH1KIFEQN8IVEBaBkHyr/8IT9ko=">AAACWnichVDLSsNAFD2Nrz7U1sdCcFMsgquSFKnbghuXldoH2FKSeFuHJpmYTJRS/AHBra79LMH/cOtNDBRb1Dswc+4959yZuZbviFDp+ntGW1ldW9/I5vKFza3tYmlntxPKKLCpbUtHBj3LDMkRHrWVUA71/IBM13Koa03OY757T0EopHelpj4NXHPsiZGwTcWlVt+hYamiV/UkysvASEEFaTRl6Q193EDCRgQXBA+KsQMTIa9rjBgT7rg+wIyrAfMiURAekWd3xDqCz5yNCe9jzmKlm3SY8mmxsoxj8ofFp4PW578ul0+F27nrD0fIL5zrY12Q/ILwwDrJXMx6/McZc6PkBsGvn3KFkjziTLE35uNui/Xf77a4F/M8dGNxxMugU6sa9Wr98rTSaKTjz+IQRziBgTM0cIEm2tx/jGe84DXzoWlaTit8S7VM6tnDj9D2vwDbo3zV</latexit>  <latexit sha1_base64="Ozv4UJ4R/BCvERaWzFv/GPN4hGw=">AAACWnichVBNS8NAEH2NX61VWz8OgpdiETyVRKReC148Vmo/wJaSxGlcmmRjslFK8Q8IXvXszxL8H16dxECxRZ2F3Tfz3pvdHStwRaR0/T2nLS2vrK7lC+vFjc2tUnl7pxPJOLSpbUtXhj3LjMgVPrWVUC71gpBMz3Kpa43PE757T2EkpH+lJgENPNPxxUjYpuJSq+/QsFzVa3oalUVgZKCKLJqy/IY+biBhI4YHgg/F2IWJiNc1RowJd1wfYMrVkHmRKgiPWGd3zDpCwJyNMe8OZ4nSSztM+LRYWcERBcPS037r81+Xx6fC7cz1hyPiF870iS5Mf0F4YJ1kLmF9/uOUuVF6g+DXT7hCaR5zptib8Em3+frvd1vci3keujE/4kXQOakZ9Vr98rTaaGTjz+MAhziGgTM0cIEm2tzfwTNe8Jr70DStoBW/pVou8+ziR2h7X9HafNA=</latexit> <latexit sha1_base64="dSgp46yaJLRqZ6wEFS5RtctyAOc=">AAACXXichVBNT8JAEH1UUUQE1IMmXozExBNpjcEriRePGOUjEULaOuBK263tVkMIf8CTV735szz5M7w6rU2IEHU22X0z773Z3bF8R4RK198z2tJydmU1t5ZfL2wUS+XNrVYoo8Cmpi0dGXQsMyRHeNRUQjnU8QMyXcuhtjU6i/n2AwWhkN6VGvvUc82hJwbCNhWXWl3LndjTfrmiV/Uk9heBkYIK0mjI8hu6uIGEjQguCB4UYwcmQl7XGDAm3HO9hwlXA+ZFoiBMkWd3xDqCz5yNEe9DzmKlm3QY82mxch+H5PdLT7uXn/+6XD4VbmeuPxwhv3Cmj3VB8gvCI+skczHr8R8nzA2SGwS/fswVSvKIM8XemI+7zdd/v9viXszz0I35ES+C1nHVqFVrFyeVej0dfw57OMARDJyijnM00OT+d3jGC14zH1pWK2jFb6mWST3b+BHazhfygn5M</latexit> c <latexit sha1_base64="YB6UvwssYDCNzOv1mEcsVf3JnJc=">AAACXXichVBNT8JAEH1UUUSEqgdNvBCJiSfSGoNXjBePGOUjEULaOuBKv2y3GkL4A5686s2f5cmf4dVpbUKEqLPJ7pt5783ujunbIpSa9p5RlpazK6u5tfx6YaNYUje3WqEXBRY1Lc/2go5phGQLl5pSSJs6fkCGY9rUNkdnMd9+oCAUnnslxz71HGPoioGwDMmlVtd0JqfTvlrRqloS5UWgp6CCNBqe+oYubuDBQgQHBBeSsQ0DIa9rDBgT7rnew4SrAfMiURCmyLM7Yh3BZ87CiPchZ7HSSTqM+TRZWcYB+f3S0+7l578uh0+J25nrD0fIL5zpY12Q/ILwyDqPuZh1+Y8T5gbJDYJfP+YKJXnEmWRvzMfd5uu/321yL+Z56Pr8iBdB66iq16q1i+NKvZ6OP4c97OMQOk5QxzkaaHL/OzzjBa+ZDyWrFJTit1TJpJ5t/Ahl5wuv+H4q</latexit> A <latexit sha1_base64="yQNWGBNuzstUFfQ/15oGz037dfQ=">AAACXXichVBNT8JAEH1UUUQE1IMmXozExBNpjcEriRePGOUjEUK6dcCVftluNYTwBzx51Zs/y5M/w6vT2oQIUWeT3Tfz3pvdHeHbMlS6/p7RlpazK6u5tfx6YaNYKm9utUIvCixqWp7tBR1hhmRLl5pKKps6fkCmI2xqi9FZzLcfKAil516psU89xxy6ciAtU3Gp1RXOREz75Ype1ZPYXwRGCipIo+GV39DFDTxYiOCA4EIxtmEi5HWNAWPCPdd7mHA1YF4mCsIUeXZHrCP4zFkY8T7kLFY6SYcxn4KV+zgkv1962r38/Nfl8KlwO3P94Qj5hTN9rAuSXxAeWecxF7Mu/3HC3CC5QfLrx1yhJI84U+yN+bjbfP33uwX3Yp6HbsyPeBG0jqtGrVq7OKnU6+n4c9jDAY5g4BR1nKOBJve/wzNe8Jr50LJaQSt+S7VM6tnGj9B2vgDwjX5L</latexit> b
27. 27 講演の概要 1. 数理最適化の概要 2. 組合せ最適化の応用と研究 3. 現実問題への数理最適化の適用 4. 現実問題における課題と対策 5. 数理最適化の普及と専門家の育成
28. 28 組合せ最適化問題の難しさ • NP困難問題：厳密な最適解を求めるのに必要な計算時間が最悪で入力サイズ の指数関数になると多くの研究者が考えている問題。 • 都市をちょうど1回ずつ訪問する最短の巡回路を求める巡回セールスマン問題 の解候補を列挙すると(n-1)!/2通り。 全ての解を列挙することは現実的には不可能 Newsweek, July 26, 1954 PCB3038 D15112 都市数 巡回路の総数 計算時間(秒) 6 60 4.32×10-10 8 2520 3.23×10-8 10 1.81×105 3.63×10-6 15 4.36×1010 1.96 20 6.08×1016 4.87×106 約56日 25 3.10×1023 3.88×1013 約122万年 30 4.42×1030 7.96×1020 約25233億年 100TFlopsのコンピュータを用いて 巡回路を列挙したときの計算時間 大規模な巡回セールスマン問題を 解く必要が生じることは少なくない
29. 29 効率的に解ける組合せ最適化問題 • 巡回セールスマン問題や整数計画問題など、多くの組合せ最適化問題は NP困難で効率的なアルゴリズムは期待できない。 • 特徴的な構造を持つ一部の組合せ最適化問題には効率的なアルゴリズムが 存在する。 入力データの各要素(荷物の重さ および袋の容量 )が定数長の文字列で表現できるという仮定が必要。 離散最適化問題 (組合せ最適化問題) 整数計画問題 資源配分問題，最小全域木問題など 貪欲法 ナップサック問題*，資源配分問題， 最小費用弾性マッチング問題など 動的計画法 最大流問題，最小費用流問題， 最大マッチング問題，割当問題など 増加路法，負閉路消去法，最短路繰り返し法， (ハンガリー法) 最短路問題 ダイクストラ法，ベルマン・フォード法， フロイド・ウォーシャル法 分枝限定法，切除平面法，(分枝カット法) ビンパッキング問題，最大カット問題， 巡回セールスマン問題，頂点被覆問題， ナップサック問題など 性能保証付き近似解法 さまざまなNP困難問題 発見的解法，局所探索法，メタヒューリスティクス， (分枝カット法) 効率的なアルゴリズム が存在する
30. 30 計算困難な組合せ最適化問題 • 厳密解法：任意の入力データに対して最適解を1つ出力するアルゴリズム。 ただし、多項式時間アルゴリズムではない。 • 近似解法：任意の入力データに対して最適値に対する近似性能を保証する 実行可能解を1つ出力する多項式時間アルゴリズム。 • 発見的解法(ヒューリスティクス)：最適値に対する近似性能が保証されていな い実行可能解を1つ出力するアルゴリズム。 離散最適化問題 (組合せ最適化問題) 整数計画問題 資源配分問題，最小全域木問題など 貪欲法 ナップサック問題，資源配分問題， 最小費用弾性マッチング問題など 動的計画法 最大流問題，最小費用流問題， 最大マッチング問題，割当問題など 増加路法，負閉路消去法，最短路繰り返し法， (ハンガリー法) 最短路問題 ダイクストラ法，ベルマン・フォード法， フロイド・ウォーシャル法 分枝限定法，切除平面法，(分枝カット法) ビンパッキング問題，最大カット問題， 巡回セールスマン問題，頂点被覆問題， ナップサック問題など 性能保証付き近似解法 さまざまなNP困難問題 発見的解法，局所探索法，メタヒューリスティクス， (分枝カット法) 効率的なアルゴリズム が期待できない
31. 31 現実問題への数理最適化の適用 • 汎用解法：整数計画問題などに定式化して汎用ソルバーを利用する。 • 専用解法：個々の問題の構造を利用した専用ソルバーを開発する。 • 論文などの研究成果がそのまま現実問題に適用できることはまれ。 • 整数計画問題に定式化して汎用の数理最適化ソルバーを利用する。 • 大規模・計算困難な問題は専用のアルゴリズムを開発する。 「汎用的」かつ「高性能」な組合せ最適化ソルバーの実現は困難 問題の特徴が利用できず高性能な アルゴリズムの実現が困難 アルゴリズムが適用可能な 範囲が狭く汎用性に欠ける 多様な問題に適用可能な 汎用性の高いアルゴリズム 個々の問題の構造を利用した 高性能なアルゴリズム a 整数計画問題 分枝カット法 b c d e 現実世界 a b c d e 現実世界 問題 a 問題 b 問題 e アルゴリズム a アルゴリズム b アルゴリズム e
32. 32 数理最適化を活用した問題解決の実現 • 一度の修正もなしに妥当な最適化問題が定式化できることはまずない。 • アルゴリズムの開発・修正には非常に時間がかかる。 • 妥当な最適化問題が定式化できるまでは、汎用の数理最適化ソルバーを用いて、 アルゴリズムの開発・修正に要する手間を削減する。 ソルバーの適用 現 実 問 題 最 適 化 問 題 ( 近 似 ) 最 適 解 解 決 策 定式化 分析・検証 最適化問題の修正 アルゴリズムの 開発と適用 現 実 問 題 最 適 化 問 題 ( 近 似 ) 最 適 解 解 決 策 定式化 分析・検証 汎用の数理最適化ソルバーを用いた実証実験の後に 専用アルゴリズムの開発を検討する
33. 33 講演の概要 1. 数理最適化の概要 2. 組合せ最適化の応用と研究 3. 現実問題への数理最適化の適用 4. 現実問題における課題と対策 5. 数理最適化の普及と専門家の育成
34. 34 現実問題における課題と対策 • 目標の設定：コストの最小化や利益の最大化だけが目的か？計画担当者の作業 の自動化・支援を通じて業務プロセスの改革を実現する。大規模な事業では、 意思決定者が増えるため利害の調整が難しくなる。 • データの整備：現場の計画担当者がデータ取得／入力／修正の作業に多大な時 間を要するのは本末転倒。UXは計算時間や解の質だけではない。 • 最適化問題の定式化：最適化問題の定式化に必要な情報の多くは、業務に従事 する計画担当者には改めて話題にするまでもない常識。 • システムの運用：多様な状況下でのシミュレーション、意思決定者間のすり合 わせに、出力データの検証と入力データの修正を何度も繰り返す。 見積り回答に 数日かかる 顧客 営業 計画担当者 見積り回答が 迅速に！ 計画担当者の 負担を軽減 顧客 営業 計画担当者 システム 計画担当者の 負担が大きい
35. 35 目標の設定 • 現実問題の解決に関わる意思決定者の利害の衝突を事前に調整する。 • 費用や売上げを改善する計画案を作成することが目標か？ 計画担当者の作業を自動化・支援することが目標か？ • 計画業務の効率化により、多様な状況下でのシミュレーションや、意思決定者 間のコミュニケーションの効率化が可能になる。 • 複数の事業にまたがる大規模な業務の全体を最適化しようとしても、意思決定 者が多すぎて目標の設定すらおぼつかないことも少なくない。 研究者 コンサルタント 責任者・経営者 計画担当者 複数の意思決定者の インセンティブを踏まえた 落とし所を見つける 意思決定者が増えると コミュニケーション コストは急激に増大する 生産 物流 小売 生産 物流 小売 横串通して全体最適化したい とは言うものの DXの実現
36. 36 データの整備 • 現場の計画担当者がデータを取得／入力／修正する作業に多大な手間を要する のは本末転倒。 • 整備されたデータを素早く取得できる環境が準備できていないなら、まずは、 環境を構築するプロジェクトから着手すべき。 • 現実のデータではなく、提案手法を検証できる「現実的」なデータ(ベンチマ ーク)であれば良い。 • データ整備には、現場こそが大きな責任を担っていることを意識させる。 なにごとも他人事にしない／させないことが肝要。 • 取得したデータには欠損や誤りが含まれるだけではなく、業務のいたる段階で 改変が生じる可能性がある。 ビッグデータ AI(機械学習) 数理最適化 現状把握・可視化 Description(記述) 要因・予測分析 Prediction(予測) 意思決定・計画作成 Prescription(処方) 前段階が滞りなく実施できることが前提 データ入力 最 適 化 データ入力 計画作成 120分 70分 作業のボトルネックは 最適化計算か？
37. 37 最適化問題の定式化 • 最適化問題の定式化に必要な情報の多くは、業務に従事している担当者には 改めて話題にするまでもない常識で引き出すことが非常に困難。 • 不完全でも暫定的な計画案を提示することは、計画担当者から必要な情報を 引き出すための有用な手段となる。お互いに叩き台と割り切って進める。 • 簡単な最適化問題から始めて、インタビューと再検討を繰り返しつつ、最適化 問題を完成に近づける。 • 計画担当者が挙げる要件をハード制約とソフト制約に切り分ける。 • 限られた期間で、最適化問題の定式化を繰り返し再検討するためには、 アルゴリズムの開発・修正にかかる手間を減らすことが肝要。 現 実 問 題 最 適 化 問 題 ( 近 似 ) 最 適 解 解 決 策 定式化 アルゴリズムの 開発・適用 分析・検証 最適化問題(+アルゴリズム)の修正 何周する予定か事前に 決めると見通しが良い
38. 38 システムの実装と運用 • 出力データの検証と入力データの修正を効率良くすすめるためには、可視化や ダッシュボードを含む使い勝手の良いインターフェースが必要。 • 最適化の計算が遅いのか、データを取得／入力／修正する作業に手間取るのか 確認が必要。業務のボトルネックを解消することが肝要。 • 計画担当者が、明らかに実行不能な入力データを与えることもある。(1)最小 限の要件で構成された最適化問題と、(2)全ての要件で構成された最適化問題 の2段階に分けると、入力データの不具合を特定し易い。 • 計画担当者だけがシステムの利用者とは限らない。営業やマネージャーなど可 能性を広く捉えれば業務プロセスの見直しに繋がる。 • 営業が見積り回答のために計画案を作成するなら、最小限の要件のみを満たす 解を求めるだけで十分なことも少なくない。 見積り回答に 数日かかる 顧客 営業 計画担当者 見積り回答が 迅速に！ 計画担当者の 負担を軽減 顧客 営業 計画担当者 システム 計画担当者の 負担が大きい
39. 39 講演の概要 1. 数理最適化の概要 2. 組合せ最適化の応用と研究 3. 現実問題への数理最適化の適用 4. 現実問題における課題と対策 5. 数理最適化の普及と専門家の育成
40. 40 産学連携の取り組み例 • 月次の相談会で担当者以外のメンバーも交えて複数の実務案件を議論する。 • 実務案件の成功確度の向上 ü 専門家や担当外の参加者による異なる観点に基づくアドバイスを受ける。 ü 客観的な観点に基づくコメントで既存手法の調査や詳細な検証が可能になる。 • メンバーの知見獲得 ü 各メンバーが各期に担当できる案件の数には限りがある。 ü 担当外の案件の検討に参加することで問題解決の引き出しが増える。 • メンバーの活躍機会の創出 ü 技術適正のある担当外の案件に途中参加することで新たな活躍の機会が生まれる。 西村直樹、数理最適化技術活用のための取り組みと事例 ―RECRUIT TECH MEET UP #4 ―、Recruit Data Blog、 2022/4/1。 事業領域外 分析者 担当分析者 ディレクター 専門家 (大学教員) 専門家 (大学教員) 担当分析者
41. 41 数理最適化の普及と専門家の育成 • 大学だけではなく企業にも数理最適化のエキスパートを増やしたいが、 研究室から輩出できる学生の数は限られる。 • 大学と共同研究を続けるには企業側にも専門知識を持った人材が必要。 専門教育を併せて実施することで取り組みの継続と拡大が期待できる。 • 数理最適化を活用するにはエキスパートだけを育成すれば良い訳ではない。 Lv1-2の人材を増やし裾野を広げることが普及には不可欠。 Lv1：数理最適化の概要と応用事例が分かる。 Lv2：最適化問題の定式化、数理最適化ソルバーの利用ができる。 Lv3：最適化アルゴリズムの設計・実装ができる。 専門教育 共同研究 人事部を巻き込んで継続 開発部門から事業部への拡大 エンジニア データサイエンティスト コンサルタント Lv2 Lv3 Lv1 営業 マネージャー クライアント 研究者 エキスパート
42. 42 まとめ • 数理最適化による問題解決 →「分析」から「計画」へ • 組合せ最適化の応用と研究 →自動車の配船・運航計画、自動車船の積付け計画、クーポン配信計画など ビットマップ図形詰込み、大規模な2値整数計画問題 • 現実問題への数理最適化の適用 →汎用の数理最適化ソルバーを活用したモデリングの効率化 • 現実問題における課題と対策 →目標の設定、データの整備、最適化問題の定式化、システムの実装と運用 • 数理最適化の普及と専門家の育成 →専門教育と共同研究の連動による専門家の育成 現実問題の解決に数理最適化を活用して下さい！
43. 43 参考文献 • 梅谷俊治、しっかり学ぶ数理最適化、講談社、2020。 • 梅谷俊治、組合せ最適化による問題解決の実践的なアプローチ、オペレーションズ・リサーチ、 66(2021)、362-366。 • 坂本淳子、大野修平、永橋幸大、鈴木保乃加、梅谷俊治、自動車船の運航業務に数理最適化を適 用するための実践的なアプローチ、オペレーションズ・リサーチ、66 (2021)、414-421。 • 須藤遼介、中村圭太、濵田賢吾、棚橋耕太郎、西村直樹、リクルート事例でわかる数理最適化入 門、@IT連載記事、2022。 • 梅谷俊治、実務につなげる数理最適化、Recruit Data Blog、2024/5/9。 • 梅谷俊治、竹迫良範、実務につなげる数理最適化〜アカデミア出身者が見たリクルート〜、logmi Business、2024/7/11。