v3（旧バージョン）の製品情報・ご利用プラン・ライセンスはJijZept Solver v3のページをご覧ください。

v4 beta版先行トライアル受付中

JijZept Solver

実用的な問題に対応する数理最適化ソルバー

JIJが開発する最適化ソルバーです。
幅広い問題クラスに対応しているため、
実用的な問題を解くのに適しています。

お問い合わせ無償WebAPI

JijZept Solver v4の特長

複数のエンジンが、解を交換しながら並走

性質の異なる3つの探索エンジンが、解を交換しながら協調して動作します。

分枝限定法（B&B）エンジン

最適性の保証を担当

制約プログラミング（CP）エンジン

論理推論で候補を絞り込み

JIJ独自ヒューリスティクス群

構造に特化した探索

▲▼ 解を交換 ▲▼

共有解プール

※ 分枝限定法＝最適解への近さを保証できる探索の枠組み。
※ 制約プログラミング＝制約の論理推論で候補を刈り込む手法。

対応する問題クラス

問題クラスを自動で判別し、内部で最適な探索手法を選択するので、
問題の特性を意識する必要がありません。

線形計画（LP）
混合整数線形計画（MILP）
二次計画（QP）

二次制約（QCP）
混合整数二次計画（MIQP）
混合整数二次制約（MIQCP）

NEW

さらにv4では「問題構造の宣言」に対応

問題クラスに加えて、「巡回ルート型（TSP）」のような問題の構造を宣言して求解できます。対応する構造は今後拡大予定です。

性能

実務の意思決定の時間内に「使える解」を返すことを重視して設計されています。

商用ソルバーが解を出せない問題でも、1秒から実行可能解

時間枠付き巡回セールスマン問題（TSPTW）の90〜120都市の問題を、商用・無償の既存ソルバーと新バージョンで求解して比較しています。90都市では商用ソルバーの30秒に対し新バージョンは1秒で実行可能解を獲得。100都市・120都市で制限時間内に実行可能解を得られるのは新バージョンのみです。

TSPTW 90〜120都市での求解結果の比較グラフ。90都市では商用ソルバーの30秒に対し新バージョン（JijZept Solver）は1秒で実行可能解を獲得。100都市・120都市では新バージョンのみが実行可能解を獲得。

大規模な実問題で、意思決定の時間内に「使える解」

実務で現れる大規模な問題でも、意思決定に使える時間内に解を返します。商用・無償ソルバーが制限時間内に解を出せない変数16万の実問題で、唯一実行可能解を獲得しています。

変数16万の実問題における求解結果のグラフ。商用・無償ソルバーが制限時間内に解を出せない中、新バージョン（JijZept Solver）のみが実行可能解を獲得。

※ 実行可能解＝すべての制約を満たす解。

※ TSPTW（時間枠付き巡回セールスマン問題）＝訪問先ごとに到着時間帯の指定がある中で、巡回する順番を決める問題。

※ グラフ中の✕は、制限時間内に実行可能解が得られなかったことを示します（✕の色は各ソルバーに対応）。

※ TSPTWのベンチマークは、問題構造の宣言を明示した場合の測定結果。

※ 当社測定（2026年7月）。同一の問題を各ソルバーで求解して比較。性能は問題に依存します。

JijZept Solver v3からの進化

v3のアルゴリズムはv4に内包されており、v3でお使いの問題はそのまま解けます。

項目	v3	v4
探索方式	JIJ独自ヒューリスティクス	分枝限定法＋制約プログラミング＋ヒューリスティクスの協調並列
最適性ギャップの提示（現在の解が最適からどれだけ離れうるかの上限）	なし	あり（二次の制約・目的関数でも提示）
問題構造の宣言	なし	あり

実行可能解の獲得率が大幅に向上

ベンチマーク232問での実行可能解の獲得率は、旧バージョンの68.5%から新バージョンでは82.8%に向上しています（14.3ポイント向上）。

実行可能解の獲得率の比較グラフ。旧バージョンは232問中159問で68.5%、新バージョンは232問中192問で82.8%。

※ 当社測定（2026年7月）。ベンチマークにはMIPLIB（混合整数計画問題の公開ベンチマーク集）を使用。

v4 beta版先行トライアル受付中

beta版の先行トライアルをご希望の方は、お問い合わせください。
クレジットカード登録なしで試せる、無償WebAPI版もあります。

お問い合わせ無償WebAPI

無償WebAPIで試す

無償のWebAPI経由でJijZept Solverを実行する方法は以下の4ステップです。

利用申請

+ −

JijZept Solver 無償WebAPI版を利用するには、まず利用申請フォームから申請を行ってください。

無償利用申請フォーム

インストール

+ −

JijZept Solver 無償WebAPI版のクライアントパッケージをインストールします。現在はbeta版のため、--pre オプションを付けてインストールします。

pip install --pre jijzept_solver

環境変数の設定

+ −

利用申請により入手した、以下の値を環境変数に設定します：

JIJZEPT_SOLVER_SERVER_HOST: API サーバーのホスト名
JIJZEPT_SOLVER_ACCESS_TOKEN: アクセストークン

設定例

環境変数の設定例：

export JIJZEPT_SOLVER_SERVER_HOST='API サーバーのホスト名'
export JIJZEPT_SOLVER_ACCESS_TOKEN='アクセストークン'

または Python コード内で設定する例：

import os

os.environ["JIJZEPT_SOLVER_SERVER_HOST"] = "API サーバーのホスト名"
os.environ["JIJZEPT_SOLVER_ACCESS_TOKEN"] = "アクセストークン"

求解例

+ −

実行例の中でJijModelingを使用するため、事前にインストールしておきます。

pip install jijmodeling

ナップサック問題を解く例と、構造ヒントを使ってTSPを解く例をタブで切り替えられます。

ナップサック問題 TSP（構造ヒント）

import logging
import jijzept_solver
import jijmodeling as jm

logging.basicConfig(level=logging.INFO)

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

    problem += jm.sum(v[i] * x[i] for i in N)  # 目的関数：価値の最大化
    problem += problem.Constraint("weight", jm.sum(w[i] * x[i] for i in N) <= 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 = knapsack.eval(instance_data)

# APIにリクエストを実行
solution = jijzept_solver.solve(instance, time_limit=2.0)
print(f"Value of the objective function: {solution.objective}")

import jijzept_solver
import jijmodeling as jm

# 5都市の距離データ（同じ都市に留まる移動を選ばれないよう対角成分は大きな値に）
num_cities = 5
distances = [
    [float(abs(i - j)) for j in range(num_cities)]
    for i in range(num_cities)
]
for city in range(num_cities):
    distances[city][city] = 1_000_000.0

@jm.Problem.define("TSP", sense=jm.ProblemSense.MINIMIZE)
def tsp(problem: jm.DecoratedProblem):
    d = problem.Float(ndim=2)  # 都市間の距離
    N = problem.NamedExpr(d.len_at(0))  # 都市数
    x = problem.BinaryVar(shape=(N, N))  # 都市iから都市jへ移動するか

    # 目的関数：総移動距離の最小化
    problem += jm.sum(d[i, j] * x[i, j] for i in N for j in N)
    # 巡回ルートの制約は書かない（構造の宣言がソルバーに伝えるため）

# OMMX インスタンスを作成
instance = tsp.eval({"d": distances})

# 「x は巡回ルート型（TSP）の構造」と1行で宣言して求解
solution = jijzept_solver.solve(
    instance,
    structure=jijzept_solver.Structure.tsp("x"),
    time_limit=10.0,
)
print(f"Total travel distance: {solution.objective}")