QUBO++（C++）と PyQBPP（Python）の違い

QUBO++ は C++（QUBO++） と Python（PyQBPP） の2つの言語で利用できます。 どちらも QUBO/HUBO 問題の定式化と求解のための同じコア機能を提供します。 このページでは、両者の主な違いをまとめます。

インストール

	C++（QUBO++）	Python（PyQBPP）
コマンド	sudo apt install qbpp	pip install pyqbpp
プラットフォーム	Linux（amd64 / arm64）	Linux（amd64 / arm64）
詳細	インストール	インストール

係数とエネルギーの精度

C++ では、係数型（coeff_t）とエネルギー型（energy_t）はコンパイル時に固定されます。 デフォルトは int32_t と int64_t であり、大きな係数を持つ問題ではオーバーフローする可能性があります。 多倍長整数を使用するには、ヘッダのインクルード前に INTEGER_TYPE_CPP_INT を定義します：

#define INTEGER_TYPE_CPP_INT
#include <qbpp/qbpp.hpp>

コンパイラオプション -DINTEGER_TYPE_CPP_INT で指定することもできます。

Python では、デフォルトで 32ビット係数・64ビットエネルギー（c32e64）が使用されます（import pyqbpp）。 任意精度が必要な場合は cppint サブモジュールをインポートしてください：

import pyqbpp as qbpp              # デフォルト: c32e64 (32ビット係数、64ビットエネルギー)
import pyqbpp.cppint as qbpp       # 任意精度 (cpp_int)

	C++	Python
デフォルト係数型	int32_t（32ビット）	int32_t（32ビット）
デフォルトエネルギー型	int64_t（64ビット）	int64_t（64ビット）
精度の変更	#define INTEGER_TYPE_CPP_INT 等	インポート時に import pyqbpp.cppint
詳細	C++ データ型	Python データ型

巨大整数定数の扱い

int64_t の範囲を超える巨大整数定数を使う場合、C++ と Python で扱いが異なります。

C++: INTEGER_TYPE_CPP_INT を定義し、巨大定数は文字列として記述する必要があります。 C++ の整数リテラルは int64_t を超えられないためです：

#define INTEGER_TYPE_CPP_INT
#include <qbpp/qbpp.hpp>

int main() {
  auto x = qbpp::var("x");
  auto f = x * qbpp::coeff_t("123456789012345678901234567890");
  std::cout << f << std::endl;
}

Python: int64_t を超える巨大整数定数を使う場合は、cppint サブモジュールをインポートします （cpp_int による任意精度）：

import pyqbpp.cppint as qbpp

x = qbpp.var("x")
f = x * 123456789012345678901234567890
print(f)

どちらも出力: 123456789012345678901234567890*x

型の区別

C++ では、変数（Var）、項（Term）、式（Expr）に明確な型の区別があります。 暗黙の型変換は提供されていますが（例：Var → Term → Expr）、 QUBO++ のコードを読み書きする際にはこれらの型を理解しておくことが重要です。

Python では、これらのクラスの区別を意識する必要はありません。 動的型付けにより変換が自動的に処理されるため、変数、項、式を算術演算で自由に混在させることができます。

例えば、C++ で auto f = 2; と書くと f は int 型になり、f += x; はコンパイルエラーになります。 明示的に Expr を作成する必要があります：

auto x = qbpp::var("x");
auto f = qbpp::Expr(2);  // int ではなく Expr にする必要がある
f += x;                   // f は 2 + x を表す Expr になる

Python ではこのような型の意識は不要です：

x = qbpp.var("x")
f = 2          # ただの int — 問題なし
f += x         # f は自動的に 2 + x を表す Expr になる

構文の違い

以下の表に、C++ と Python の主な構文の違いを示します。

機能	C++（QUBO++）	Python（PyQBPP）
インクルード / インポート	#include <qbpp/qbpp.hpp>	import pyqbpp as qbpp
変数	auto a = qbpp::var("a");	a = qbpp.var("a")
変数ベクトル	auto x = qbpp::var("x", n);	x = qbpp.var("x", n)
否定リテラル	~x	~x
整数変数	auto x = 0 <= qbpp::var_int("x") <= 10;	x = qbpp.between(qbpp.var_int("x"), 0, 10)
等式制約	auto f = (expr == 3);	f = (expr == 3)
範囲制約	auto f = (1 <= expr <= 5);	f = qbpp.between(expr, 1, 5)
ExprExpr の本体	*f	f.body
簡約化	expr.simplify_as_binary();	expr.simplify_as_binary()
Easy Solver	qbpp::easy_solver::EasySolver(expr)	qbpp.EasySolver(expr)
Exhaustive Solver	qbpp::exhaustive_solver::ExhaustiveSolver(expr)	qbpp.ExhaustiveSolver(expr)
ABS3 Solver	qbpp::abs3_solver::ABS3Solver(expr)	qbpp.ABS3Solver(expr)
探索	auto sol = solver.search();	sol = solver.search()
パラメータ付き探索	solver.search({{"time_limit", 10}, {"target_energy", 0}})	solver.search({"time_limit": 10, "target_energy": 0})
解の値	sol(x)	sol(x)
出力	std::cout << sol << std::endl;	print(sol)

Quick Start の例

同じ問題を両方の言語で解く例：

C++:

#include <qbpp/qbpp.hpp>
#include <qbpp/exhaustive_solver.hpp>

int main() {
  auto x = 0 <= qbpp::var_int("x") <= 10;
  auto y = 0 <= qbpp::var_int("y") <= 10;
  auto h = (x + y == 10) + (2 * x + 4 * y == 28);
  h.simplify_as_binary();
  auto sol = qbpp::exhaustive_solver::ExhaustiveSolver(h).search();
  std::cout << "x = " << sol(x) << ", y = " << sol(y) << std::endl;
}

Python:

import pyqbpp as qbpp

x = qbpp.between(qbpp.var_int("x"), 0, 10)
y = qbpp.between(qbpp.var_int("y"), 0, 10)
h = (x + y == 10) + (2 * x + 4 * y == 28)
h.simplify_as_binary()
sol = qbpp.ExhaustiveSolver(h).search()
print(f"x = {sol(x)}, y = {sol(y)}")

どちらも出力: x = 6, y = 4

どちらを使うべきか？

C++（QUBO++）の長所

• 式の構築が高速: 数百万項を含む大規模な式の構築は、ネイティブ C++ の方が大幅に高速です。ソルバーの実行時間は両言語で同じですが、モデルの構築時間は大規模問題で大きく異なります。
• きめ細かい型制御: 多倍長精度が不要な場合、小さい係数型（例: int32_t、int64_t）を選択できます。固定幅整数は多倍長整数よりはるかに高速で、式の構築とソルバーの両方の性能に影響します。オーバーフローのない計算が必要な場合は、速度を犠牲にして cpp_int による多倍長整数に切り替えることもでき、プロジェクトごとに性能と正確性のバランスを柔軟に選択できます。
• 数学的な範囲制約構文: 範囲制約に l <= f <= u という数式に近い自然な記法を使えます。

Python（PyQBPP）の長所

• コンパイル不要: すぐに書いて実行できます。Jupyter ノートブックや Python REPL での対話的な探索に最適です。
• デフォルトで高速な固定精度: 32ビット係数・64ビットエネルギー（c32e64）がデフォルトです。任意精度が必要な場合は import pyqbpp.cppint を使用できます。
• シンプルな構文: #include、#define、main()、auto、名前空間修飾子などの定型コードが不要です。
• 簡単なインストール: 仮想環境内で pip install pyqbpp するだけで、sudo は不要です。
• データサイエンスエコシステム: NumPy、pandas、matplotlib などの Python ライブラリとシームレスに連携し、データの前処理や結果の分析が容易です。

まとめ

	C++（QUBO++）	Python（PyQBPP）
式の構築速度	高速（ネイティブ）	やや遅い（ctypes オーバーヘッド）
ソルバー速度	同じ	同じ
型制御	きめ細かい（int16 〜 cpp_int）	同じ（デフォルト: c32e64）
使いやすさ	普通	簡単
対話的利用	不可	可能（Jupyter、REPL）

推奨: まず PyQBPP（Python） でプロトタイピングや学習を始め、大規模問題での式構築の高速化や性能のための型制御が必要になったら C++（QUBO++） に移行してください。