🔖 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）：

🎨 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。

📐 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・概念を言葉で読み解く

🧮 実値で計算してみる（SSDSE-B-2026）

🐍 Python 実装

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

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

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

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='shift_jis')
df.columns = df.iloc[0]
df = df.iloc[1:].reset_index(drop=True)
df = df[df['年度']=='2023'].reset_index(drop=True)
X = df[['総人口','県内総生産','65歳以上人口']].astype(float).to_numpy()
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 クラスタリングする
    losses = []
    for w in weights:
        w = np.abs(w) + 1e-3
        km = KMeans(n_clusters=4, n_init=5).fit(X * w)
        losses.append(km.inertia_)
    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, 'コスト:', best_cost)

例 3：ACO 風実装（短い擬似コード）

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）

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）

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', encoding='shift_jis')
df.columns = df.iloc[0]
df = df.iloc[1:].reset_index(drop=True)
df = df[df['年度']=='2023'].reset_index(drop=True)
X = df[['総人口','65歳以上人口']].astype(float)
y = df['県内総生産'].astype(float)

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)
    return -cross_val_score(model, X, y, cv=3, scoring='r2').mean()

study = optuna.create_study(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）

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・県内総生産」 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

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', encoding='shift_jis')
df.columns = df.iloc[0]
df = df.iloc[1:].reset_index(drop=True)
df = df[df['年度']=='2023'].reset_index(drop=True)
df['総人口'] = df['総人口'].astype(int)
df['65歳以上人口'] = df['65歳以上人口'].astype(int)
df['県内総生産'] = df['県内総生産'].astype(int)
df['高齢化率'] = df['65歳以上人口'] / df['総人口']

X = df[['総人口','高齢化率','県内総生産']].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

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

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。

🗺 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）

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)

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

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

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

import optuna
study = optuna.create_study()
study.optimize(objective, n_trials=100)

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

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

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

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

⚠️ 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。

🌐 関連手法・派生・対概念

🔗 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

🗺 概念マップ

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。

📚 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.