Mímisbrunnr知恵の泉

mathematical optimization // 最適化のエンジンルーム

数理最適化

数理最適化は、ひとことで言えば「制約の下で目的を最も良くする解」を見つける数学です。限られた資源・予算・時間の中で、何を最大化（または最小化）すべきかを目的関数と制約で表し、その最適解と「なぜそれが最適か（最適性条件・双対性）」まで示すのが目標。機械学習・オペレーションズ・金融のエンジンルームにあたります。

なぜ学ぶのか

  • 「最善」を根拠つきで出せる。勘や経験でなく、目的関数と制約を立てれば、数理的に最適な解と「なぜそれが最適か」を示せます。
  • あらゆる分野の土台になる。機械学習の学習・在庫やスケジュールの設計・ポートフォリオ — 多くの問題が最適化問題として解けます。
  • 解ける/難しいを見極められる。凸性・双対性・計算複雑性を知ると、問題が効率よく解けるか、近似が要るかを判断できます。

こんな場面で役立つ

  • 生産・物流生産計画・配送ルート・スケジューリングを線形計画/整数計画で最適化。
  • 金融収益とリスクのトレードオフを二次計画で解くポートフォリオ最適化。
  • 機械学習学習＝損失最小化。勾配法・凸最適化・双対がモデル訓練を支える。
  • 設計・運用限られた資源の割当・被覆・マッチングを組合せ最適化で。

ここでは、具体的な問題を実際に定式化し、解を計算して「最適性条件・双対性・収束」が成り立つことを必ず数値で確かめる方針です。最適化の基礎から、線形計画・双対性・整数計画・非線形/KKT・凸最適化・メタヒューリスティクス・不確実性下の最適化・ネットワーク最適化までを、コピペで動く Python（scipy・PuLP・cvxpy・OR-Tools）つきで全53ノートに体系化しました。各トピックのレベル（基礎／標準／発展）はバッジ表示。学習文脈での勾配法・凸最適化は機械学習サイト、スケジューリング・在庫の適用はオペレーションズサイトへ相互リンクしています。

カリキュラム（全9章）

目次・インデックス

第1章 ── 最適化の基礎

第2章 ── 線形計画

第3章 ── 整数計画と組合せ最適化

第4章 ── 非線形最適化

第5章 ── 凸最適化

第6章 ── メタヒューリスティクス

第7章 ── 不確実性下の最適化

第8章 ── ネットワーク最適化

第9章 ── 応用とモデリング