最適化とトレードオフとは | 最善の選択を求めることと、何を重視するかを決めること

私たちは、仕事や日常生活のさまざまな場面で「最適な選択」を求めています。製品の性能を高めながら製造コストを抑える。研究開発の成功確率を高めながら開発期間を短縮する。限られた予算を複数の事業へ配分する。こうした問題は、いずれも最適化(Optimization)と関係しています。

最適化という言葉には、高度な数学や計算アルゴリズムによって、最も優れた答えを見つけるという印象があります。実際、最適化は、数学、オペレーションズ・リサーチ、経済学、工学、機械学習などで重要な研究対象となっています。

しかし、最適化を理解するために最初に必要なのは、複雑な計算方法ではありません。

何を最善とするのか、どのような制約があるのか、何を改善すると何が犠牲になるのかを明確にすることです。

例えば、製品の性能を高めようとすると、製造コストが増加する場合があります。開発期間を短縮すると、十分な検証ができなくなる可能性があります。安全性を高めるために、重量や価格の増加を受け入れる必要があるかもしれません。

このように、一方を改善すると他方が悪化する関係を、トレードオフ(Trade-off)と呼びます。

ただし、トレードオフが存在することと、何かを改善するためには必ず別の何かを犠牲にしなければならないことは、同じではありません。

技術革新や問題の再定義によって、従来は両立しないと考えられていた目標を同時に改善できる場合もあります。

また、複数の目標について、どの組み合わせが最適なのかは、必ずしも数学だけで決まるわけではありません。

最適化は、与えられた目的と条件に対して優れた解を探すための方法です。しかし、その目的や条件をどのように設定するべきかという問題は、最適化の計算だけでは解決できません。

この区別は、経営戦略、意思決定、研究開発、技術探索、機械学習などを理解するうえで重要です。

最適化とは何か

最適化とは、可能な選択肢の中から、特定の目的を最もよく満たすものを探すことです。

例えば、ある製造工程について、製造コストを最小化したいとします。

製造条件を (x)、その条件でのコストを (f(x)) とすると、最適化問題は次のように表せます。

$$
\min_x f(x)
$$

これは、目的関数(Objective Function)(f(x)) の値を最小にする (x) を探すことを意味します。

逆に、利益や生産量を最大化したい場合には、

$$
\max_x f(x)
$$

と表せます。

しかし、実際の問題では、あらゆる条件を自由に選べるわけではありません。

例えば、製品には一定以上の品質が求められ、設備には運転可能な温度や圧力の範囲があります。また、予算や人員にも限界があります。

こうした条件を制約条件(Constraints)と呼びます。

最適化問題は一般に、

$$
\begin{aligned}
\min_x \quad & f(x)\
\text{subject to}\quad & g_i(x)\leq 0\
&h_j(x)=0
\end{aligned}
$$

のように表されます。

ここで、(x) は選択する条件、(f(x)) は目的関数、(g_i(x)) と (h_j(x)) は制約条件です。

制約を満たす解の集合を実行可能領域(Feasible Region)と呼びます。

つまり、最適化とは、単に最もよい値を探すことではなく、許される条件の範囲内で目的を最もよく達成する解を探すことです。

最適化問題を構成する四つの要素

最適化の問題は、次の四つの要素に整理できます。

要素意味製品設計の例
決定変数(Decision Variables)何を変更・選択できるか材料、寸法、加工条件
目的関数(Objective Function)何を最大化・最小化するか製造コスト
制約条件(Constraints)必ず満たすべき条件は何か強度、安全性、納期
実行可能領域(Feasible Region)どの選択肢が実現可能か設備や予算で実現できる設計

この四つを明確にすれば、複雑な計算を行う前に、何を解こうとしているのかを理解できます。

例えば、製品の重量を最小化したい場合でも、必要な強度を制約条件に含めなければ、実用にならないほど薄く軽い製品が最適解になるかもしれません。

これは最適化アルゴリズムの誤りではありません。

問題の定義が不適切なのです。

したがって、最適化を利用する際には、計算の正しさだけでなく、目的関数と制約条件の設定が現実の問題に適しているかを検討する必要があります。

最適な解は、必ずしも理想的な解ではない

ある最適化問題について数学的に最善の解が得られたとしても、その解が現実において理想的であるとは限りません。

例えば、ある企業が人件費を最小化する問題を設定したとします。

ほかの条件を十分に設定しなければ、人員を極端に削減することが最適解として導かれるかもしれません。

しかし、その結果、従業員の負担が増加し、品質や顧客対応が悪化する可能性があります。

この場合、数学的な計算が誤っているとは限りません。

問題は、人件費だけを最小化するという目的の設定にあります。

同様に、研究開発の成功確率だけを最大化すれば、実現可能性の高い小規模な改良テーマばかりが選択される可能性があります。

しかし、企業が新しい事業領域を開拓したいのであれば、そのような選択が最善とは限りません。

最適化によって得られる答えの意味は、何を最適化の目的としたかによって決まります。

このことは、最適化を数学の問題としてだけでなく、意思決定や問題構造化の一部として理解する必要があることを示しています。

トレードオフとは何か

トレードオフとは、ある目標を改善すると、別の目標が悪化する関係です。

例えば、次のような関係が考えられます。

一方の目標競合する可能性がある目標
製品性能の向上製造コストの削減
製品重量の削減強度・耐久性の確保
開発期間の短縮検証の充実
在庫の削減欠品リスクの抑制
生産設備の稼働率向上設備の保守余裕
高い投資収益損失リスクの抑制
多様な研究テーマの探索一つのテーマへの資源集中

ただし、これらは必ずトレードオフになるという意味ではありません。

例えば、製造工程を改善することで、品質を高めながらコストを削減できる場合があります。

また、新しい材料を利用することで、重量と強度の両方を改善できる可能性があります。

トレードオフが本当に存在するかどうかは、利用できる技術、資源、制度、時間などの条件によって変わります。

したがって、トレードオフを議論するときには、何と何が競合しているかだけでなく、どのような条件の下で競合しているのかを明確にすることが重要です。

すべての選択肢がトレードオフにあるわけではない

二つの目標について、複数の製品設計案を比較してみます。

性能は高いほどよく、製造コストは低いほどよいものとします。

以下は説明のための仮想データです。

設計案性能指数製造コスト
A100120
B9090
C8070
D6560
E75100

設計案Aは性能が最も高い一方、コストも最大です。

B、C、Dについても、性能とコストの間に関係があります。

では、Eはどうでしょうか。

Eの性能指数は75で、コストは100です。

一方、Cの性能指数は80で、コストは70です。

つまり、CはEよりも性能が高く、コストも低くなっています。

この場合、Eを選ぶことには、二つの評価基準の上で利点がありません。

Cは、Eを両方の基準で上回っています。

このように、一つの選択肢が別の選択肢を、すべての評価基準で同等以上、少なくとも一つの基準で明確に上回ることを、支配(Dominance)と呼びます。

上の例では、CがEを支配しています。

トレードオフを検討する前に、そもそも改善の余地がある選択肢と、本当に目標間の選択が必要な選択肢を区別することが重要です。

パレート最適とは

複数の目標を同時に考える場合に重要なのが、パレート最適(Pareto Optimality)という概念です。

ある選択肢について、ほかの目標を悪化させずに、少なくとも一つの目標を改善する選択肢が存在しない場合、その選択肢をパレート最適と呼びます。

先ほどの設計例を考えます。

A、B、C、Dは、性能を高めようとするとコストが増加し、コストを下げようとすると性能が低下する関係にあります。

この四つは、示された候補集合の中では、互いにほかの候補によって支配されていません。

一方、EはCによって支配されるため、パレート最適ではありません。

パレート最適な解の集合をパレート最適集合(Pareto Set)、それらの目的関数値が形成する境界をパレートフロント(Pareto Front)と呼びます。

重要なのは、パレート最適が、通常、一つの答えではなく、複数の解を含むということです。

設計案パレート最適か理由
Aはい最高性能だが高コスト
BはいAより低コスト、Cより高性能
CはいBより低コスト、Dより高性能
Dはい最も低コスト
EいいえCが性能・コストの両方で上回る

この例では、A、B、C、Dのどれが最善かを、パレート最適性だけで決めることはできません。

高性能を重視するか、低コストを重視するかによって選択が変わるからです。

パレート最適は「最もよい解」を決めない

パレート最適という名称から、最も優れた解が決まると考えてしまうかもしれません。

しかし、パレート最適性は、複数の目標の間で、ほかの解に一方的に劣っていないことを示す概念です。

例えば、性能とコストのどちらを優先するかによって、選択する設計案は異なります。

予算が十分にあり、最高性能を求める場合にはAが適切かもしれません。

性能指数80以上を満たしながら、できるだけコストを削減したい場合には、Cが選ばれる可能性があります。

また、コストを90以下に抑えながら性能を最大化したい場合には、Bが選ばれます。

このように、パレート最適集合の中から一つを選ぶためには、追加の条件や価値判断が必要になります。

なお、パレート最適は、経済学や社会的な資源配分においても利用される概念ですが、パレート最適であることが、公平性や倫理的な妥当性を意味するわけではありません。

また、パレート最適と、マーケティングなどで使われる「パレートの法則(80対20の法則)」は別の概念です。

パレート改善とトレードオフの違い

パレート改善(Pareto Improvement)とは、少なくとも一つの目標を改善しながら、ほかの目標を悪化させない変更です。

例えば、製造工程の改善によって、コストを下げながら品質を向上させることができれば、二つの目標についてパレート改善が実現しています。

これに対して、すでにパレート最適な設計案の間で選択する場合には、一方の改善のために他方の悪化を受け入れる必要が生じることがあります。

この違いは重要です。

問題を解決しようとするとき、最初から「何を犠牲にするか」を考える必要があるとは限りません。

まず、現在の方法に無駄や非効率があり、複数の目標を同時に改善できる余地がないかを検討できます。

そのうえで、本当に目標間の競合が存在する場合には、どのトレードオフを受け入れるかを判断することになります。

トレードオフを受け入れる前に、トレードオフそのものを改善できないかを考えることが重要です。

トレードオフは固定されたものではない

現在の技術や資源の範囲でトレードオフが存在していても、それが将来も変わらないとは限りません。

例えば、従来の材料では、軽量化すると強度が低下するという関係があったとします。

しかし、新しい材料や構造設計によって、軽量化と強度向上を同時に実現できる場合があります。

同様に、生産工程を改善することによって、製造コストと不良率の両方を低減できる可能性があります。

これは、単に既存の選択肢から最適解を選ぶこととは異なります。

従来の実行可能領域そのものを拡張し、新しい選択肢を生み出す活動です。

先ほどの製品設計例で、仮に性能指数95、製造コスト80という新しい設計案Fが開発されたとします。

すると、Fは従来のBやCを、性能とコストの両方で上回ります。

従来のパレートフロントが、新しい技術によって改善されたことになります。

このような変化は、研究開発や技術革新の重要な役割を示しています。

既存の選択肢から最もよいものを選ぶことと、従来の選択肢にはなかった可能性を発見することは、異なる活動です。

多目的最適化とは

実際の問題では、複数の目標を同時に考えることが少なくありません。

例えば、製品設計では、性能、重量、製造コスト、耐久性、環境負荷などを考慮する必要があります。

このような問題を、多目的最適化(Multi-Objective Optimization)と呼びます。

決定変数を (x)、目的関数を (f_1(x),f_2(x),\ldots,f_m(x)) とすると、一般に、

$$
\min_{x\in X}
\left(f_1(x),f_2(x),\ldots,f_m(x)\right)
$$

のように表します。

ここでは、すべての目標を最小化の形式にそろえています。最大化したい目標は、符号を反転するなどして表現できます。

単一目的の最適化では、目的関数の値によって解を比較できます。

一方、多目的最適化では、ある解が一つの目標で優れていても、別の目標では劣る場合があります。

そのため、最適解が一つに決まらず、パレート最適解の集合が得られることがあります。

多目的最適化には、多数のアルゴリズムが存在しますが、基本となる考え方は、複数の目標の間にある関係を理解することです。

重み付き和による最適化

複数の目標を一つの評価値へまとめる方法として、重み付き和(Weighted Sum)があります。

例えば、製品について性能、コスト、耐久性を評価するとします。

それぞれの評価値を共通の尺度へ変換し、重みを設定して合計できます。

$$
U(x)=\sum_{i=1}^{m}w_i s_i(x)
$$

ここで、(s_i(x)) は大きいほど望ましい向きにそろえた評価値、(w_i) は重みです。

一般には、

$$
w_i\geq0,\qquad \sum_i w_i=1
$$

のように設定できます。

例えば、性能を50%、コストを30%、耐久性を20%として評価することが考えられます。

この方法は、理解しやすく計算も簡単です。

しかし、重要な問題があります。

重みは、数学的な計算から自動的に決まるものではありません。

性能を50%重視することに、どのような根拠があるのでしょうか。

また、性能が少し高いことと、製造コストが少し低いことを、どの程度交換可能な価値として扱うのでしょうか。

こうした判断を明確にしないまま重み付き和を利用すると、数値計算によって客観的な結論が得られたように見えても、実際には評価者の前提が結果を左右している可能性があります。

重みづけは価値判断を含む

例えば、研究開発テーマを比較するとき、技術的な新規性と事業化可能性を評価するとします。

ある企業は、短期間で事業化できるテーマを重視するかもしれません。

一方、長期的な技術競争力の獲得を重視する企業では、事業化までに時間がかかるテーマも高く評価される可能性があります。

これは、どちらかの企業が数学的に誤っているという意味ではありません。

目的や戦略が異なるため、望ましい選択も異なっているのです。

また、重みを設定する際には、単に重要だと感じる項目へ大きな数値を与えればよいわけではありません。

例えば、「性能を10ポイント改善すること」と「コストを10万円削減すること」の交換関係をどう評価するかが問題になります。

評価尺度の定義が変われば、同じ重みでも意味が変わります。

したがって、重み付き和を利用する場合には、評価値の尺度、重要性の設定方法、評価者の選好を区別して考える必要があります。

これは、多属性価値理論(Multi-Attribute Value Theory)や多属性効用理論(Multi-Attribute Utility Theory)で扱われる重要な問題です。

単純な加重平均では扱えない関係

重み付き和では、各評価項目の貢献を加算して全体の評価値を求めます。

しかし、実際には、評価項目の間に相互作用が存在する場合があります。

例えば、製品の性能と信頼性を考えます。

どれだけ性能が高くても、信頼性が非常に低ければ、実用上の価値はほとんどないかもしれません。

また、研究開発テーマについて、技術的な独創性と事業上の適合性が両方そろうことで、初めて大きな価値が生じる場合があります。

このような関係では、各評価項目の価値を単純に加算するだけでは、適切に表現できない可能性があります。

多属性効用理論では、評価項目間の独立性に関する条件によって、加法型や乗法型などの効用関数が検討されます。

また、Choquet積分のように、評価項目間の相互作用を表現できる集約方法も研究されています。

ただし、非線形な評価方法を利用すれば、必ずよい評価が得られるわけではありません。

複雑な評価関数を利用するためには、その関数を決めるための情報や根拠も必要になります。

重要なのは、評価項目の関係が加法的であるという前提が、実際の問題に適しているかを確認することです。

安全性を重みづけで扱ってよいのか

すべての評価項目を重み付き和で比較することが適切とは限りません。

例えば、製品の安全性について、最低限満たすべき基準が存在するとします。

安全性が基準を下回る設計案について、低コストであることを理由に採用することはできない場合があります。

この場合、安全性は、単に性能やコストと交換可能な評価項目ではありません。

必ず満たすべき制約条件として扱う方が適切です。

例えば、

$$
\begin{aligned}
\min_x \quad & C(x)\
\text{subject to}\quad & S(x)\geq S_{\min}
\end{aligned}
$$

と表せます。

ここで、(C(x)) はコスト、(S(x)) は安全性、(S_{\min}) は最低限必要な安全水準です。

このように、ある目標を最大化・最小化する一方で、ほかの目標を制約条件として扱うことができます。

ただし、何を絶対的な制約とし、何を比較可能な評価項目とするかは、法令、技術要件、組織の方針などに基づいて判断する必要があります。

ε制約法:一方の目標を制約にする

多目的最適化の代表的な方法の一つに、ε制約法(Epsilon-Constraint Method)があります。

例えば、性能を最大化しながら、コストを一定以下に抑える場合には、

$$
\begin{aligned}
\max_x\quad & P(x)\
\text{subject to}\quad & C(x)\leq\varepsilon
\end{aligned}
$$

と表せます。

ここで、(\varepsilon) は許容するコストの上限です。

コストの上限を変更すると、選択される設計案も変わる可能性があります。

例えば、予算が70なら設計案C、予算が90なら設計案Bを選べるかもしれません。

このように、許容する制約の水準を変更しながら、目標間の関係を分析できます。

ε制約法の利点は、ある目標を必ず満たすべき条件として扱えることです。

また、重み付き和では見つけにくいパレート最適解を探索できる場合もあります。

ただし、制約の値をどのように設定するかという判断は残ります。

重み付き和には数学的な限界もある

重み付き和は、多目的最適化の代表的な方法ですが、すべてのパレート最適解を必ず発見できるわけではありません。

特に、目的関数値の実行可能な集合が非凸な形状を持つ場合、正の重みによる線形加重和では、パレート最適であっても選択されない解が存在することがあります。

したがって、重みをさまざまに変更するだけで、すべてのトレードオフを探索できるとは限りません。

この問題に対しては、ε制約法のほか、多目的進化計算などの方法が利用されています。

Kalyanmoy Debらが2002年に提案したNSGA-IIは、複数の非支配解を探索しながら、解の多様性も考慮する代表的な多目的最適化アルゴリズムです。

しかし、多目的最適化アルゴリズムによって得られたパレートフロントが、必ず真のパレートフロントと一致するわけではありません。

探索範囲、計算量、アルゴリズムの設定などによって、近似の精度が変わります。

また、パレート最適解を多数発見できたとしても、その中からどれを採用するかという問題は残ります。

トレードオフの大きさを評価する

パレートフロントが得られた場合には、一方の目標を改善するために、他方をどの程度犠牲にする必要があるかを検討できます。

例えば、設計案CからBへ変更すると、性能指数は80から90へ改善します。

一方、コストは70から90へ増加します。

この場合、性能指数を10改善するために、コストが20増加しています。

したがって、単純な比率では、

$$
\frac{\Delta C}{\Delta P}
=\frac{90-70}{90-80}
=2
$$

となります。

これは、この二つの候補間では、性能指数1ポイントの改善に対して、コストが2単位増加していることを意味します。

ただし、性能指数がどのように定義されているかによって、数値の解釈は変わります。

また、連続的なパレートフロントでは、局所的な傾きによって、目標間の交換関係を表すことができます。

このような考え方は、経済学における限界的な交換関係や、意思決定における価値のトレードオフとも関係します。

膝点:改善の割に犠牲が大きくなる場所

パレートフロントには、一方の目標を少し改善するために、他方の目標を大きく犠牲にしなければならなくなる領域が存在する場合があります。

このような特徴を持つ点は、膝点(Knee Point)と呼ばれることがあります。

例えば、製品の性能を改善する過程で、ある段階までは小さなコスト増加で性能を向上できるとします。

しかし、その水準を超えると、わずかな性能改善のために、非常に高いコストが必要になるかもしれません。

この場合、性能改善の費用対効果が急激に変化する付近が、設計上の重要な候補になります。

ただし、膝点が存在するとは限りません。

また、膝点の定義や検出方法は一つではなく、評価尺度にも影響されます。

膝点が数学的に特定できたとしても、その点が自動的に最善の選択になるわけではありません。

最終的には、目的や制約に照らして評価する必要があります。

不確実性がある場合の最適化

これまでの説明では、各選択肢の性能やコストが、既知の数値であると仮定していました。

しかし、実際の問題では、将来の結果が正確には分からないことが少なくありません。

例えば、新しい製品の需要、研究開発の成功確率、原材料価格、設備の故障頻度などには不確実性があります。

このような問題では、期待値を最大化する方法のほか、確率分布や不確実性の範囲を考慮した最適化が利用されます。

例えば、確率変数 (\xi) が表す不確実な条件の下で、期待コストを最小化する問題は、

$$
\min_x E[f(x,\xi)]
$$

と表せます。

しかし、期待値が最もよい選択肢が、常に望ましいとは限りません。

平均的には高い利益が期待できても、まれに非常に大きな損失が発生する可能性があります。

そのため、期待値だけでなく、損失リスクや結果のばらつきなどを考慮する必要があります。

ロバスト最適化と安全余裕

不確実性への対処方法の一つに、ロバスト最適化(Robust Optimization)があります。

ロバスト最適化では、想定した不確実性の範囲内で、制約違反や性能低下を抑えるような解を探します。

例えば、通常の条件では最も効率のよい製造方法が、原材料のわずかな変動によって不良率を大きく増加させるとします。

一方、通常時の効率では少し劣るものの、変動に対して安定している方法も考えられます。

この場合、最高の平均性能と、条件が変化した場合の安定性の間にトレードオフが存在します。

BertsimasとSimは2004年の「The Price of Robustness」で、不確実性への耐性を高めることによって必要になる費用や性能上の犠牲を検討しました。

ただし、ロバストな方法を利用すれば、あらゆる未知の状況へ対応できるわけではありません。

その方法が想定する不確実性の範囲自体が不適切であれば、十分な保証を得られない可能性があります。

感度分析:最適解はどれほど安定しているか

ある条件の下で最適解が得られたとしても、前提を少し変更しただけで選択結果が大きく変わる場合があります。

例えば、二つの研究開発テーマについて、評価点がほぼ同じだったとします。

市場成長率の予測をわずかに変更すると、順位が逆転するかもしれません。

その場合、最適解が一つに決まったように見えても、実際には不確実な前提に強く依存しています。

感度分析(Sensitivity Analysis)は、入力条件や評価基準を変更したときに、結果がどのように変化するかを調べる方法です。

変更する条件確認すること
評価基準の重み重要性の設定によって順位が変わるか
コストの予測費用が増加した場合にも採用できるか
市場成長率将来の市場条件によって選択が変わるか
技術的な成功確率不確実な仮定にどの程度依存しているか
制約条件予算や期間の変更によって何が実行可能になるか

感度分析によって、最適解が安定している条件と、不安定になる条件を明らかにできます。

ただし、感度分析によって、未知のすべての条件を網羅できるわけではありません。

重要な不確実性を適切に特定することが必要です。

最適化と意思決定は同じではない

最適化は、与えられた目的と制約の下で優れた解を求める方法です。

一方、意思決定(Decision-Making)では、どのような目的を設定するか、どのリスクを受け入れるか、どのような価値を優先するかという問題も含まれます。

例えば、企業が二つの研究開発テーマから一つを選ぶ場合を考えます。

一方は、短期間で実現でき、安定した収益が期待されるテーマです。

もう一方は、成功確率は低いものの、成功すれば新しい市場を開拓できる可能性があります。

どちらが最善かを判断するには、期待利益の計算だけでなく、企業の財務状況、技術戦略、リスク許容度、長期的な目標などを考慮する必要があります。

数学的な最適化は、その判断を支援できます。

しかし、企業が何を目指すべきかという問題まで、計算によって自動的に決定することはできません。

この区別は、多基準意思決定分析(MCDA)や多属性効用理論においても重要な位置を占めています。

AHP・MCDAと最適化

AHP(Analytic Hierarchy Process)やMCDA(Multi-Criteria Decision Analysis)は、複数の評価基準に基づいて選択肢を比較するための方法です。

これらは多目的最適化と密接に関係していますが、必ずしも同一ではありません。

例えば、五つの事業案がすでに存在しており、それらを複数の基準によって評価する場合には、MCDAを利用できます。

一方、予算や資源の配分を変更することで、無数の組み合わせが可能になる場合には、数理最適化によって実行可能な解を探索することができます。

観点数理最適化多基準意思決定分析
中心となる問題条件を満たす最良の解を探す複数の選択肢を比較・評価する
対象連続的・離散的な実行可能領域など有限の候補や複数の基準を持つ選択問題など
主な要素決定変数、目的関数、制約条件評価基準、評価値、選好、重み
主な課題解の探索、計算、最適性評価基準の妥当性、価値判断、選好の整合性

ただし、実際には両者の境界は明確に分離されていません。

多目的最適化によって候補を抽出し、その中からMCDAを利用して選択することも考えられます。

また、AHPなどで設定した選好を、最適化問題の目的関数へ取り込むことも可能です。

重要なのは、計算によって求める部分と、意思決定者の判断が必要な部分を区別することです。

最適化とノーフリーランチ定理

ノーフリーランチ定理(No Free Lunch Theorem)は、特定の条件の下で、すべての可能な最適化問題について平均すると、異なる探索アルゴリズムの間に一般的な優劣がなくなることを示します。

この定理は、最適化アルゴリズムの選択について重要な示唆を持っています。

ある問題で優れた性能を示すアルゴリズムが、別の問題でも優れているとは限りません。

しかし、これは、できるだけ多数のアルゴリズムを試さなければならないという意味ではありません。

現実の最適化問題には、それぞれ固有の構造があります。

例えば、目的関数が線形であり、制約も線形であれば、線形計画法を利用できます。

凸最適化の条件が成立する場合には、局所最適解と大域最適解の関係について、強い理論的な性質を利用できます。

一方、非常に複雑で非凸な問題では、近似的な探索方法が必要になる場合もあります。

重要なのは、アルゴリズムの種類を増やすことではありません。

問題の性質を理解し、その性質を利用できる解法を選ぶことです。

局所最適と大域最適

最適化には、局所最適(Local Optimum)と大域最適(Global Optimum)という区別があります。

局所最適は、ある解の近くでは、それより優れた解が存在しない状態です。

一方、大域最適は、実行可能な解の集合全体の中で、最も優れた解です。

例えば、山の高さを考えると、周囲より高い場所に到達しても、それが山全体の最高地点とは限りません。

別の場所に、さらに高い山頂が存在する可能性があります。

非凸な最適化問題では、このような局所最適が複数存在することがあります。

一方、凸な目的関数を凸な実行可能領域上で最小化する問題では、局所最適解は大域最適解でもあるという重要な性質があります。

このように、問題の数学的な構造を理解することで、どのような解法が適しているか、得られた解について何を保証できるかを判断しやすくなります。

ただし、最適化アルゴリズムが大域最適解を求められたとしても、目的関数や制約条件そのものが不適切であれば、現実の問題にとって望ましい結果にはなりません。

最適化と限定合理性

最適化は、限定合理性(Bounded Rationality)とも重要な関係を持っています。

Herbert A. Simonは、人間や組織の意思決定には、情報、時間、計算能力などの制約が存在することを重視しました。

現実の意思決定者が、考えられるすべての選択肢を列挙し、それぞれの結果を完全に予測して、最適解を求めることは困難です。

そのため、Simonは、十分に満足できる選択肢を発見した段階で探索を終了する満足化(Satisficing)という考え方を提示しました。

例えば、ある企業が新しい設備を導入するとします。

市場に存在するすべての設備を調査し、あらゆる将来条件について性能を評価することは現実的ではありません。

そのため、必要な性能、予算、保守条件などを満たす候補を比較し、十分に適切なものを選択することがあります。

これは、最適化を否定するものではありません。

情報の取得や比較そのものにも費用がかかるため、探索を続ける利益と費用を考える必要があるということです。

最適な答えを求める活動そのものにも、時間と資源の制約があります。

最適化の対象とする範囲をどう決めるか

最適化では、どの範囲の選択肢を考えるかが重要です。

例えば、製造工程について、温度、圧力、速度だけを変更できるものとして最適化を行ったとします。

その条件の中では、最適な運転条件が求められるかもしれません。

しかし、設備自体を変更したり、材料を変更したりする可能性は含まれていません。

さらに、製品の構造を根本的に変更することによって、従来の製造工程そのものが不要になる場合もあります。

つまり、最適化では、何を変更可能な変数とし、何を固定された条件として扱うかによって、探索できる解が決まります。

この点は、研究開発や事業戦略で特に重要です。

既存の技術や事業の範囲内で最適化することは、現在の資源を効率的に利用するために役立ちます。

しかし、既存の範囲の外に存在する新しい技術や事業機会を、自動的に発見できるわけではありません。

最適化の前に、問題の枠組みを疑う

例えば、ある企業が、既存製品の性能を10%改善するための研究開発テーマを探索しているとします。

この場合、性能、開発費、実現可能性などを評価し、最適なテーマを選択することが考えられます。

しかし、そもそも顧客が必要としているのは、既存製品の性能向上ではなく、別の方法による問題の解決かもしれません。

また、既存製品とはまったく異なる作用原理によって、同じ機能をより低コストで実現できる可能性もあります。

このような場合、既存の評価基準や候補集合を固定したまま最適化を進めても、新しい可能性には到達できません。

必要なのは、目的の再定義、探索する候補の拡張、特徴や関係の抽象化などです。

これは、最適化の計算方法を改善することとは異なる問題です。

与えられた問題を最適に解くことと、解くべき問題そのものを見直すことは、区別する必要があります。

研究開発における最適化と探索

研究開発では、限られた予算、人員、設備、時間を、複数のテーマへ配分する必要があります。

このため、研究開発ポートフォリオの最適化は重要な課題です。

例えば、研究開発テーマについて、期待される事業価値、必要な投資額、技術的な実現可能性、事業化までの期間などを評価できます。

しかし、研究開発には、ほかの経営活動とは異なる不確実性があります。

特に、新しい技術を探索する段階では、技術の実現可能性や市場の形成可能性について、十分な情報が存在しない場合があります。

また、複数のテーマを同時に進めることによって、技術的な知識や設備を共有できる場合もあります。

逆に、複数のテーマが同じ市場を狙っており、互いに競合する場合もあります。

そのため、研究開発テーマを独立した候補として単純に採点し、上位から予算を配分する方法だけでは、不十分な場合があります。

研究開発ポートフォリオでは、テーマ間の関係、将来の選択肢、研究成果の蓄積なども考慮する必要があります。

探索と活用のトレードオフ

研究開発や事業戦略では、探索(Exploration)と活用(Exploitation)の間にも重要な関係があります。

活用とは、既存の知識や技術を利用し、現在の事業や技術の成果を高める活動です。

一方、探索とは、新しい知識、技術、事業機会などを発見する活動です。

例えば、既存製品の改良に研究開発費を集中すれば、短期的な成果を得やすくなる可能性があります。

しかし、その結果、長期的な新技術の探索に十分な資源を配分できなくなるかもしれません。

逆に、探索へ資源を集中しすぎると、現在の事業の競争力を維持するための開発が不足する可能性があります。

James G. Marchは1991年の「Exploration and Exploitation in Organizational Learning」で、組織学習におけるこの二つの活動の関係を論じています。

ここでも、どちらか一方を常に最大化すればよいわけではありません。

企業の状況や長期的な目標に応じて、適切な配分を検討する必要があります。

ただし、探索と活用は常に完全な対立関係にあるわけではありません。

探索によって得られた新しい知識が、既存事業の改善に役立つ場合もあります。

リアルオプションと段階的な研究開発

不確実性の高い研究開発では、最初から大規模な投資を行うのではなく、小規模な実験や試作を通じて情報を得ながら、投資判断を更新する方法が考えられます。

このような考え方は、リアルオプション(Real Options)と関係しています。

例えば、ある新技術について、最初に基礎的な実現可能性を確認するための研究を実施します。

その結果が有望であれば、次の開発段階へ進みます。

一方、技術的な成立条件が満たされないことが明らかになれば、開発を中止したり、別の方向へ変更したりできます。

このような段階的な投資では、最初にすべてを決定するのではなく、新しい情報によって判断を更新することが重要になります。

ただし、段階的に投資すれば必ずよい結果が得られるわけではありません。

実験や判断の遅れによって競争上の機会を失う可能性もあります。

必要なのは、追加情報を得る価値と、そのために必要な費用や時間を比較することです。

最適化と認知バイアス

最適化による数値的な評価は、意思決定の透明性を高めるために役立ちます。

しかし、数値計算を導入したからといって、認知バイアス(Cognitive Bias)が自動的に取り除かれるわけではありません。

例えば、すでに支持している事業案に有利な評価基準を選択してしまう可能性があります。

また、過去の投資額が大きいことを理由に、その事業案を高く評価してしまう場合があります。

さらに、最初に提示された市場規模の予測値が、その後の評価に強く影響するかもしれません。

こうした問題は、確認バイアス、サンクコスト効果、アンカリングなどと関係しています。

最適化の計算結果を評価する際には、目的関数、評価基準、予測値、重み、制約条件などが、どのような根拠で設定されたかを確認する必要があります。

数値計算の精密さが、その前提の妥当性まで保証するわけではありません。

AIと最適化

機械学習やAIでは、最適化が重要な役割を持っています。

例えば、ニューラルネットワークの学習では、予測結果と正解との差を表す損失関数(Loss Function)を小さくするように、パラメータを調整します。

しかし、損失関数を小さくすることと、現実の問題について望ましい成果を得ることは同じではありません。

例えば、学習データでの誤差を小さくしすぎると、過学習によって未知のデータへの予測性能が低下する可能性があります。

また、予測精度を最適化しても、その予測が実際の意思決定を改善するとは限りません。

LLMを利用して最適化問題を設定する場合にも、目的関数や制約条件が適切かを確認する必要があります。

AIは、数式の作成、候補の比較、計算コードの生成、感度分析などを支援できます。

しかし、何を目的とし、どのような犠牲を許容するかを、AIの計算だけで決定することはできません。

最適化の民主化

現在では、表計算ソフトや数理最適化ライブラリを利用して、比較的簡単に最適化問題を解くことができます。

例えば、ExcelのSolver、PythonのSciPy、CVXPYなどを利用すれば、さまざまな最適化問題を設定できます。

ただし、最初から高度な最適化アルゴリズムを学ぶ必要はありません。

例えば、複数の候補について、性能、コスト、納期などを表に整理するだけでも、トレードオフの関係を検討できます。

さらに、どの候補がほかの候補に支配されているかを調べれば、パレート最適な候補を抽出できます。

予算や評価基準を変更することで、選択結果がどのように変化するかも確認できます。

このような分析は、高度な数値最適化を行わなくても可能です。

最適化を利用するために、すべての最適化アルゴリズムを理解する必要はありません。しかし、目的、制約、トレードオフ、最適性の意味を理解することは重要です。

ThinkNaviにおける最適化とトレードオフ

ThinkNaviでは、最適化とトレードオフを、問題解決と意思決定の基礎概念として位置づけます。

最適化の技術的な計算方法だけでなく、何を最適化するべきか、どのような条件が存在するか、複数の目標がどのように関係しているかを考えることが重要です。

ThinkNaviが扱うAHP、MCDA、意思決定マトリクス、感度分析、シナリオ分析、実験計画法などの方法は、最適化と密接に関係しています。

例えば、AHPやMCDAでは、評価基準や選好を明確にしながら、複数の候補を比較できます。

感度分析では、重みや予測条件を変更した場合に、結論がどの程度変化するかを検討できます。

実験計画法では、複数の因子が結果に与える影響を調べ、製品や工程の改善に必要な情報を得られる場合があります。

ThinkNavi Freeでは、最適化とトレードオフを理解するための簡単な分析ツールが考えられます。

例えば、利用者が複数の候補について二つの評価指標を入力し、パレート最適な候補と、ほかの候補に支配される候補を識別できるようにします。

また、予算などの制約条件を変更したときに、選択可能な候補がどのように変化するかを表示できます。

さらに、評価基準の重みを変更し、候補の順位がどう変わるかを確認する機能も考えられます。

LLM活用版では、利用者が説明した問題から、決定変数、目的関数、制約条件の候補を整理し、存在する可能性のあるトレードオフや、見落としている評価基準を提案することが考えられます。

ただし、AIが設定した目的関数や制約条件が、現実の問題を適切に表現しているとは限りません。

利用者が、それらの前提を確認・変更できることが必要です。

ConceptMiner R&Dへの示唆

ConceptMiner R&Dでは、既存の技術や研究文献から特徴、機能、構造などを抽出し、異なる分野に存在する技術的な関係を探索します。

このような活動は、既存の候補を評価する最適化とは、異なる役割を持っています。

例えば、ある製品について、現在利用できる材料や設計方法を対象にして、性能とコストの最適化を行うことができます。

しかし、それだけでは、未知の材料や異分野の作用原理を利用した新しい設計方法が発見されるとは限りません。

ConceptMiner R&Dによる異分野探索では、既存の技術カテゴリーやキーワードだけに依存せず、機能や構造などの抽象的な特徴を利用して、新しい候補や研究開発仮説を発見することを目指します。

その結果、新しい選択肢が発見されれば、従来のパレートフロントを改善できる可能性があります。

一方、生成された研究開発仮説について、実現可能性、期待される性能、必要な開発費、事業化期間などを評価する段階では、多目的最適化やMCDAの考え方が役立ちます。

ただし、研究開発仮説には不確実性があるため、すべての評価値を確定した数値として扱うことは適切でない場合があります。

情報が不足している候補については、単に低い評価点を与えるのではなく、何を検証する必要があるかを明確にすることが重要です。

ConceptMiner R&Dでは、新しい選択肢を発見する探索と、発見された選択肢を比較・評価する最適化を、別の活動として接続することが考えられます。

この区別によって、単に候補をランキングするだけでなく、新しい技術的な可能性を発見し、検証し、研究開発計画へ結びつける仕組みを構築できる可能性があります。

最適化の限界

最適化を利用する際には、いくつかの限界があります。

第一に、最適化は、与えられた目的関数と制約条件に対して解を求めるものであり、それらの設定が適切であることを保証しません。

第二に、利用可能な候補や変更可能な変数の範囲外に存在する解を、自動的に発見できるとは限りません。

第三に、多目的最適化では、パレート最適解が複数存在し、その中から一つを選択するために価値判断が必要になる場合があります。

第四に、重み付き和は、評価項目間の相互作用や非凸なパレートフロントなどを適切に扱えない場合があります。

第五に、入力データや予測値に不確実性があれば、計算された最適解が実際にも最善であるとは限りません。

第六に、複雑な非凸最適化問題では、大域最適解を発見できない場合があります。

第七に、技術や市場環境が変化すれば、以前の最適解が適切でなくなる可能性があります。

第八に、最適化によって数値上の評価が改善しても、実際の業務や事業の成果が改善するとは限りません。

したがって、最適化を利用する際には、計算結果だけでなく、問題の定義、分析の前提、解の安定性、実際の利用条件などを検討する必要があります。

まとめ:最適な選択を求める前に、何を最適化するかを考える

最適化は、与えられた目的と制約条件の下で、最もよい解を探す方法です。

一方、トレードオフは、ある目標の改善が別の目標の悪化と結びつく関係です。

複数の目標が存在する場合、すべての目標を同時に最大限達成できるとは限りません。

このような問題では、パレート最適性を利用して、一方的に劣る選択肢を除き、複数の目標の間にある関係を明らかにできます。

しかし、パレート最適な候補が複数存在する場合には、その中から何を選ぶかという判断が必要になります。

重み付き和、ε制約法、多目的最適化、MCDAなどの方法は、その判断を支援します。

ただし、これらの方法は、何を重視するべきかという価値判断を、完全に代行するものではありません。

さらに重要なのは、トレードオフが固定されたものではないということです。

技術革新、製造工程の改善、問題の再定義などによって、従来は両立しないと考えられていた目標を同時に改善できる場合があります。

このとき、必要なのは、既存の選択肢から最適解を探すことだけではありません。

新しい選択肢を発見し、実行可能領域そのものを拡張することです。

最適化は、既知の条件の下で選択を改善するために重要です。一方、探索や創造は、選択できる可能性そのものを広げるために重要です。

最適化の本質は、単に計算によって最善の答えを求めることではありません。何を目的とし、どのような制約の下で、何を得るために何を犠牲にするのかを明確にすることです。

そして、真に重要な問題解決では、既存のトレードオフを最適化するだけでなく、そのトレードオフ自体を変える可能性を探ることも必要になります。


英語表記: Optimization and Trade-offs

関連する用語: Mathematical Optimization、Objective Function、Decision Variables、Constraints、Feasible Region、Trade-off、Pareto Optimality、Pareto Front、Pareto Improvement、Dominance、Multi-Objective Optimization、Weighted Sum、Epsilon-Constraint Method、Sensitivity Analysis、Robust Optimization、Stochastic Optimization、Global Optimum、Local Optimum、Knee Point

関連する思考技法・理論:

参考文献・資料

  • Stephen Boyd and Lieven Vandenberghe, Convex Optimization, Cambridge University Press, 2004. 目的関数、制約条件、凸最適化、双対性など、数理最適化の基礎を体系的に解説した著作。
  • Ralph L. Keeney and Howard Raiffa, Decisions with Multiple Objectives: Preferences and Value Tradeoffs, Wiley, 1976. 複数の目標の間にある価値のトレードオフと、意思決定者の選好を扱った代表的な著作。
  • Ralph L. Keeney, “Utility Independence and Preferences for Multiattributed Consequences,” Operations Research, Vol. 19, No. 4, pp. 875–893, 1971. 多属性効用関数の構造と、評価項目間の独立性に関する研究。
  • Kaisa Miettinen, Nonlinear Multiobjective Optimization, Kluwer Academic Publishers, 1998. 非線形多目的最適化、パレート最適性、選好を考慮した解法などを体系的に論じた著作。
  • Kalyanmoy Deb, Amrit Pratap, Sameer Agarwal, and T. Meyarivan, “A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II,” IEEE Transactions on Evolutionary Computation, Vol. 6, No. 2, pp. 182–197, 2002. 多目的進化計算によるパレート最適解の探索に関する代表的な研究。
  • Michael T. M. Emmerich and André H. Deutz, “A Tutorial on Multiobjective Optimization: Fundamentals and Evolutionary Methods,” Natural Computing, Vol. 17, pp. 585–609, 2018. パレート最適、重み付き和、ε制約法、進化計算などを解説したチュートリアル。
  • Michel Grabisch, “The Application of Fuzzy Integrals in Multicriteria Decision Making,” European Journal of Operational Research, Vol. 89, No. 3, pp. 445–456, 1996. Choquet積分などを利用して評価項目間の相互作用を扱う研究。
  • Dimitris Bertsimas and Melvyn Sim, “The Price of Robustness,” Operations Research, Vol. 52, No. 1, pp. 35–53, 2004. 不確実性に対する頑健性と、そのために必要な費用とのトレードオフを分析した研究。
  • Herbert A. Simon, “Rational Choice and the Structure of the Environment,” Psychological Review, Vol. 63, No. 2, pp. 129–138, 1956. 限定合理性と満足化に関係する、意思決定の基本的な研究。
  • James G. March, “Exploration and Exploitation in Organizational Learning,” Organization Science, Vol. 2, No. 1, pp. 71–87, 1991. 組織学習における探索と活用の関係を考察した研究。