ロバスト最適化｜数理最適化

🎓 レベル：発展　|　重要度：A（必須）

📎 前提：確率計画法・凸最適化問題と双対理論　|　関連：リスクを織り込む最適化（CVaR最小化）

要点（BLUF）

ロバスト最適化は、不確実パラメータが 不確実集合 $\mathcal{U}$ の中でどう動いても制約を満たすよう、最悪ケースで最適化する。
分布を仮定せず集合で備える点が、確率計画（確率計画法）との違い。
不確実集合の形（ボックス・予算・楕円）で、ロバスト対応問題が LP・SOCP（錐計画（SOCP・SDP）入門）に書き直せる。

概念 ── 分布でなく集合で備える

確率計画は「パラメータの分布」を要求するが、分布が分からないことも多い。ロバスト最適化は、パラメータ $a$ が ある集合 $\mathcal{U}$ の中のどこかにあるとしか仮定せず、 $\mathcal{U}$ 内のどんな値でも制約を破らない解を探す。

\min_x\ c^\top x \quad \text{s.t.}\quad a^\top x \le b \ \ \forall a \in \mathcal{U}

「 $\forall a\in\mathcal{U}$ 」が肝：不確実集合内の 最悪の $a$ でも制約が成り立つ。これは無限個の制約に見えるが、 $\mathcal{U}$ の形に応じて有限の ロバスト対応問題へ書き直せる。

ロバスト対応（robust counterpart）

制約 $a^\top x \le b\ (\forall a\in\mathcal{U})$ は「 $\max_{a\in\mathcal{U}} a^\top x \le b$ 」と同値。最悪ケースを内側の最大化で表すのがコツ。

ボックス不確実集合 $\mathcal{U}=\{a: |a_i-\bar a_i|\le \hat a_i\}$ ：最悪は各成分が $x_i$ の符号方向に振れるので

\bar a^\top x + \sum_i \hat a_i |x_i| \le b

（絶対値は線形化でき、LP のまま）。

予算不確実集合（Bertsimas–Sim） $\sum_i |a_i-\bar a_i|/\hat a_i \le \Gamma$ ：同時に振れる成分数を $\Gamma$ で制御。 $\Gamma$ で保守性を調整でき、対応問題は LP。
楕円不確実集合 $\mathcal{U}=\{a: \|P(a-\bar a)\|_2\le\rho\}$ ：最悪ケースに $\ell_2$ ノルムが現れ、SOCP（錐計画（SOCP・SDP）入門）になる。

ここで内側の最大化を双対（凸最適化問題と双対理論）で書き換えるのが、ロバスト対応導出の常套手段。

Pythonで名目解とロバスト解を比べる

生産計画で機械時間の消費が不確実： $x_A$ は $2\pm0.5$ 、 $x_B$ は $1\pm0.2$ 時間消費する。ボックス不確実集合のロバスト対応（最悪消費 $2x_A+x_B+0.5x_A+0.2x_B\le120$ ）と名目（ $2x_A+x_B\le120$ ）を比べる。

import cvxpy as cp

for robust in [False, True]:
    x = cp.Variable(2, nonneg=True)
    if robust:
        # 最悪ケース: 名目消費 + 変動分(x>=0なので符号はそのまま加算)
        machine = 2*x[0] + x[1] + (0.5*x[0] + 0.2*x[1]) <= 120
    else:
        machine = 2*x[0] + x[1] <= 120                       # 名目のみ
    prob = cp.Problem(cp.Maximize(40*x[0] + 30*x[1]),
                      [machine, x[0] + x[1] <= 100])
    prob.solve()
    tag = "ロバスト" if robust else "名目  "
    print(f"{tag}: xA={x.value[0]:.1f}, xB={x.value[1]:.1f}, 利益={prob.value:.1f}")

実行結果：

名目  : xA=20.0, xB=80.0, 利益=3200.0
ロバスト: xA=0.0, xB=100.0, 利益=3000.0

名目解 $(20,80)$ は利益 3200 だが、機械時間消費が上振れすると制約 $2x_A+x_B\le120$ を破る（ $2.5\cdot20+1.2\cdot80=146>120$ ）。ロバスト解 $(0,100)$ は利益 3000 と低いが、最悪の消費でも制約を満たす。保守性（利益の犠牲）と頑健性（制約違反しない保証）のトレードオフがロバスト最適化の本質。この差 200 が「不確実性に備える保険料（price of robustness）」。

分布ロバスト最適化（補足）

確率計画（分布が必要）とロバスト最適化（分布を全く使わない）の中間が 分布ロバスト最適化（DRO）。「真の分布は分からないが、ある 分布の集合（曖昧集合） の中にある」と仮定し、その集合上の 最悪期待値を最適化する：

\min_x\ \max_{P \in \mathcal{P}}\ \mathbb{E}_P[\,f(x,\xi)\,]

曖昧集合 $\mathcal{P}$ をモーメント条件や Wasserstein 距離の球で定めると、扱いやすい凸問題に帰着することが知られ、近年の主流。データから分布を推定する誤差まで頑健化できる。

数式の直観的意味

ロバスト最適化の核心は min-max 構造：外側で意思決定 $x$ を最小化、内側で敵対者が最悪パラメータ $a$ を選ぶ。これはゲーム理論の二人ゼロ和ゲームと同じ構図で、内側の最大化を双対（凸最適化問題と双対理論）で書き換えると、min-max が単一の min（有限個の制約）に畳まれる ── これがロバスト対応問題。不確実集合の「大きさ」が保守性のつまみで、大きいほど安全だが利益を削る。確率計画が「平均的に良い」を狙うのに対し、ロバストは「最悪でも破綻しない」を狙う ── 安全性が決定的に重要な場面（電力・医療・サプライチェーン）で好まれる。不確実集合の幾何（ボックス→LP、楕円→SOCP）がそのまま問題クラスを決めるのは、錐計画の表現力（錐計画（SOCP・SDP）入門）の応用。

⚠️ よくある誤解・落とし穴

ロバスト解は保守的：最悪ケースに備えるので、平均的には確率計画より損をしうる。不確実集合を絞って過度な保守を避ける。
不確実集合の設計が結果を支配：大きすぎると無意味に保守的、小さすぎると頑健性が無い。 $\Gamma$ など調整パラメータで制御。
「最悪ケース」は集合内に限る：集合外の事象には備えない。集合の妥当性が前提。
等式制約のロバスト化は難しい（全シナリオで等式は通常不可能）。不等式中心に設計する。