JijZept SDK

数理最適化のための開発キット

無料の最適化パッケージをまとめた開発キットです。
JijZept SDKをインストールするだけで、最適化に必要なツールを簡単にセットアップできます。

pip install "jijzept_sdk[all]"

JijZept SDKに含まれるパッケージ

JijModeling

最適化問題を直感的に定式化

JijModelingにより、数式を書くような感覚で定式化できます。数式の構造を解析する機能により、ソルバーの性能をさらに引き出すことができます。

詳しく見る

OMMX

最適化ツール群との連携を実現

OMMXにより、各種ソルバーや可視化・分析のためのツールとの連携が容易になります。

詳しく見る

MINTO

煩雑になりがちな実験データの管理を簡単に

MINTOにより、最適化の結果を実行時のパラメータと合わせて保存・管理できます。実験データの整理・比較が容易になります。

詳しく見る

Qamomile

古典に限らない、量子最適化もサポート

Qamomileにより、JijModelingやOMMXで定式化した問題に量子最適化を適用できます。ここでいう「量子」とは、ゲート型量子コンピュータを指します。

詳しく見る

クイックスタート

JijZept SDKを使った最適化の実行は以下の4ステップです。

インストール

JijZept SDKをインストールして、最適化を行うのに必要なパッケージをすべてセットアップします。

pip install "jijzept_sdk[all]"

インストールオプションの詳細はこちらから確認できます。

モデリング

JijModelingを使って数理モデルを記述します。以下はナップサック問題を定式化する例です。

import jijmodeling as jm

problem = jm.Problem("Knapsack", sense=jm.ProblemSense.MAXIMIZE)
w = problem.Float("w", ndim=1)  # アイテムの重さ
N = problem.NamedExpr("N", w.len_at(0))  # アイテム数
v = problem.Float("v", shape=(N,))  # アイテムの価値
W = problem.Float("W")  # ナップサックの容量
x = problem.BinaryVar("x", shape=(N,))  # 決定変数

problem += (v * x).sum()  # 目的関数：価値の最大化
problem += problem.Constraint("weight", (w * x).sum() <= W)  # 重量制約

# インスタンスデータ
instance_data = {
    "v": [10, 13, 18, 31, 7, 15],  # アイテムの価値
    "w": [11, 15, 20, 35, 10, 33],  # アイテムの重さ
    "W": 47,  # ナップサックの容量
}

# OMMX インスタンスを作成
instance = problem.eval(instance_data)

ソルバーの選択と求解

最適化問題をソルバーで求解します。OMMX Adapterを使えば、ソルバーに依らず同じインターフェースで求解することができます。

from ommx_highs_adapter import OMMXHighsAdapter

solution = OMMXHighsAdapter.solve(instance)

from ommx_openjij_adapter import OMMXOpenJijSAAdapter

solution = OMMXOpenJijSAAdapter.solve(instance)

from ommx_python_mip_adapter import OMMXPythonMIPAdapter

solution = OMMXPythonMIPAdapter.solve(instance)

from ommx_pyscipopt_adapter import OMMXPySCIPOptAdapter

solution = OMMXPySCIPOptAdapter.solve(instance)

OMMX Adapterがサポートしているソルバーの一覧はこちらをご覧ください。

結果の分析

以下のように、求解した結果から目的関数・決定変数の値を簡単に取得できます。

目的関数

# Value of the objective function
print(f"Value of the objective function: {solution.objective}")

Value of the objective function: 41.0

決定変数

dv_df = solution.decision_variables_df

# Drop unnecessary columns for display
dv_df.drop(columns=["description", "substituted_value"])

id	kind	upper	name	subscripts	value
0	Binary	1.0	x	[0]	1.0
1	Binary	1.0	x	[1]	1.0
2	Binary	1.0	x	[2]	1.0
3	Binary	1.0	x	[3]	0.0
4	Binary	1.0	x	[4]	0.0
5	Binary	1.0	x	[5]	0.0

データ管理をさらに効率的に行いたい場合はMINTOをご利用ください。

相談無料

お気軽にお問い合わせください

お問い合わせ