最大値・最小値の最小化と最大化

qbpp.max(f, g)・qbpp.min(f, g)（非線形関数とネイティブ制約）は， 2 つの式の最大値・最小値を表します．ソルバーはエネルギーを最小化するので，目的関数に正の係数で足すと最小化，負の係数で足すと最大化の向きに働き，次の 4 通りの使い方があります:

目的関数に足す項	意味
`qbpp.max(f, g)`	最大値を最小化する
`-qbpp.max(f, g)`	最大値を最大化する
`qbpp.min(f, g)`	最小値を最小化する
`-qbpp.min(f, g)`	最小値を最大化する

このページでは，まず 2 つの式についてこの 4 通りをグラフで説明し，次に 3 つ以上の式の最大値・最小値を扱う方法を説明します．

2 つの式の場合

0 から 63 の値をとる整数変数 $x$ と，次の 2 つの関数を考えます:

\[f(x) = (x - 33)^2 + 1000, \qquad g(x) = 2109 - (x - 30)^2\]

$f$ は下に凸，$g$ は上に凸の放物線で，$x = 8$ と $x = 55$ で交わります．次の図の左は $\max(f, g)$，右は $\min(f, g)$ を灰色の太い線で示しています:

f と g のグラフ．左は max(f, g)，右は min(f, g) を灰色の線で示し，4 通りの答えの点を付けている

4 通りの答えは，灰色の線の最も低い点と最も高い点です:

qbpp.max(f, g) の最小: 左の線の最も低い点，つまり交点 $x = 55$ での 1484
-qbpp.max(f, g) の最小（最大値の最大化）: 左の線の最も高い点，$g$ の頂点 $x = 30$ での 2109
qbpp.min(f, g) の最小: 右の線の最も低い点，$f$ の頂点 $x = 33$ での 1000
-qbpp.min(f, g) の最小（最小値の最大化）: 右の線の最も高い点，もう 1 つの交点 $x = 8$ での 1625

次のプログラムは，この 4 通りを順に解きます:

import pyqbpp as qbpp

x = qbpp.var("x", integer=(0, 63))
f = qbpp.sqr(x - 33) + 1000
g = 2109 - qbpp.sqr(x - 30)


def solve(name, obj):
    obj.simplify()
    sol = qbpp.ExhaustiveSolver(obj).search()
    print(f"{name}: energy = {sol.energy}, x = {sol(x)}, f = {sol(f)}, g = {sol(g)}")


solve("+max", qbpp.max(f, g))
solve("-max", -qbpp.max(f, g))
solve("+min", qbpp.min(f, g))
solve("-min", -qbpp.min(f, g))

solve は，目的関数 obj を簡約し，ExhaustiveSolver で厳密な最小解を求めて表示します．
-qbpp.max(f, g) と -qbpp.min(f, g) は負の係数 $-1$ を掛けた項です．

プログラムの出力は次の通りです:

+max: energy = 1484, x = 55, f = 1484, g = 1484
-max: energy = -2109, x = 30, f = 1009, g = 2109
+min: energy = 1000, x = 33, f = 1000, g = 2100
-min: energy = -1625, x = 8, f = 1625, g = 1625

負の係数の項では，エネルギーは最大値（最小値）の符号を反転した値になります．

2 つの式なら，4 通りとも qbpp.max・qbpp.min をそのまま書くだけで，補助の変数は要りません．バンドルされているソルバーは 4 通りのどれでも正しく扱います．ただし MIP ソルバーで使えるのは，最大値の最小化と最小値の最大化の 2 通りだけです（非線形関数とネイティブ制約）．

3 つ以上の式の場合

qbpp.max・qbpp.min が受け付けるのは 2 つの式だけで，3 つ以上の式（や式のリスト・配列）を渡すと TypeError になります．また，非線形関数はネストできないので， qbpp.max(qbpp.max(f, g), h) のように入れ子にすると RuntimeError になります．

3 つ以上の式 $f_1, \ldots, f_n$ の最大値・最小値は，補助の変数を加えて表します．加える変数は，4 通りのどれかで次のように変わります:

	最小化する	最大化する
最大値 $\max(f_1, \ldots, f_n)$	整数変数 $z$ と relu（または cons）	ワンホットで 1 つ選ぶ
最小値 $\min(f_1, \ldots, f_n)$	ワンホットで 1 つ選ぶ	整数変数 $z$ と relu（または cons）

最大値が $t$ 以下になるのは，すべての $f_i$ が $t$ 以下のときです．そのため，最大値を小さくしたいときは，すべての $f_i$ を上から押さえる整数変数 $z$ を使います．一方，最大値が $t$ 以上になるのは，どれか 1 つの $f_i$ が $t$ 以上のときです．そのため，最大値を大きくしたいときは，どの $f_i$ を使うかをワンホットで選びます．最小値はこの逆です．それぞれの方法は，表の 2 つの場合にしか使えません．

この節では，前の節とは別の次の 3 つの関数を使います（$x$ は前と同じく 0 から 63 の整数変数）:

\[f(x) = (x - 52)^2 + 300, \qquad g(x) = (x - 14)^2, \qquad h(x) = 3400 - (x - 49)^2\]

f, g, h のグラフ．左は max(f, g, h)，右は min(f, g, h) を灰色の線で示し，4 通りの答えの点を付けている

最大値の最小化と最小値の最大化

$\max(f_1, \ldots, f_n)$ を最小化したいときは，代わりに次の式を最小化します:

\[z + 2\sum_{i=1}^{n} \operatorname{relu}(f_i - z)\]

$\operatorname{relu}(f_i - z)$ は $f_i$ が $z$ を超えた分です． $z$ が最大値以上なら relu の項はすべて 0 で，式の値は $z$ です． $z$ を最大値より 1 下げると，$z$ の分で 1 減りますが，最大値の式が $z$ を超えるので relu の項が 2 以上増えます．そのため，この式は $z$ がちょうど最大値のときに最小になり，その値は最大値に等しくなります．

重みを 1 にしても式の最小値は最大値に等しくなりますが，$z$ が 2 番目に大きい値と最大値の間のどこにあっても最小になるので，$z$ の値が最大値を表しません．重みを 1 より大きくすると，$z$ はちょうど最大値になります．

$\min(f_1, \ldots, f_n)$ を最大化したいときは，同じ考え方で次の式を最小化します:

\[-z + 2\sum_{i=1}^{n} \operatorname{relu}(z - f_i)\]

$z$ は最小値を下から押さえる変数で，$z$ がちょうど最小値のときに式は最小になり，その値は最小値の符号を反転したものになります．

次のプログラムは，3 つの関数についてこの 2 通りを解きます:

import pyqbpp as qbpp

x = qbpp.var("x", integer=(0, 63))
f = qbpp.sqr(x - 52) + 300
g = qbpp.sqr(x - 14)
h = 3400 - qbpp.sqr(x - 49)
z = qbpp.var("z", integer=(0, 4000))


def solve(name, obj):
    obj.simplify()
    sol = qbpp.ExhaustiveSolver(obj).search()
    print(f"{name}: energy = {sol.energy}, z = {sol(z)}, x = {sol(x)}, "
          f"f = {sol(f)}, g = {sol(g)}, h = {sol(h)}")


solve("+max", z + 2 * qbpp.relu(f - z) + 2 * qbpp.relu(g - z) + 2 * qbpp.relu(h - z))
solve("-min", -z + 2 * qbpp.relu(z - f) + 2 * qbpp.relu(z - g) + 2 * qbpp.relu(z - h))

$f$, $g$, $h$ の値は 4000 以下なので，$z$ の範囲は 0 から 4000 にしています．

プログラムの出力は次の通りです:

+max: energy = 1981, z = 1981, x = 11, f = 1981, g = 9, h = 1956
-min: energy = -525, z = 525, x = 37, f = 525, g = 529, h = 3256

最大値の最小は，図の左の灰色の線の最も低い点で，$f$ と $h$ が交わるあたりの $x = 11$ での 1981 です． $x$ は整数なので，ちょうど交わる点ではなく，その近くの整数で最小になります．最小値の最大は，右の灰色の線の最も高い点で，$f$ と $g$ が交わるあたりの $x = 37$ での 525 です．どちらも $z$ がその値になっています．

cons で書く

「どの $f_i$ も $z$ 以下」を制約として書き，$z$ を最小化する方法もあります:

\[z + 2\sum_{i=1}^{n} \operatorname{cons}(f_i - z \le 0)\]

上のプログラムでは，"+max" の行の relu の項を 2 * qbpp.cons(f - z <= 0) などに替えるだけで，同じ結果（エネルギー 1981，$z = 1981$）が得られます．最小値の最大化なら， "-min" の行の relu の項を 2 * qbpp.cons(f - z >= 0) などに替えます．

qbpp.cons() の値は違反量の 2 乗なので，$z$ を最大値より $d$ 下げると $2d^2$ 以上増えます．$z$ の分で $d$ 減るより大きいので，こちらも $z$ がちょうど最大値のときに最小になり，その値は最大値に等しくなります．

納期付き機械スケジューリングのメイクスパン（最も遅く終わる機械の時刻）の最小化は，この形の例です．$z$ の係数を 100 にし，各機械の制約を重み 100000 の qbpp.cons() で書いています．

relu と cons の違い

どちらの方法でも，最小になるのは $z$ がちょうど最大値のときで，そのエネルギーは最大値に等しくなります．違いは次の 2 点です．

違反の数え方: qbpp.cons() で書いた部分は制約として扱われます． $z$ が最大値より小さい解では，f.cons(sol)・f.violations(sol)・f.is_feasible(sol) が違反として数え，target_energy を指定した探索も，すべての制約を満たすまで止まりません． qbpp.relu() で書いた部分は目的関数の一部で，制約の数には入りません． $f_i \le z$ は最大値を表すための条件で，満たさなければならない要件ではないので，最大値を目的関数の中で使うだけなら，qbpp.relu() のほうが意味に合っています． qbpp.cons() は，「$z$ 以下」を制約として読む，数理計画でよく使われる書き方です．

値の形と重み: qbpp.cons(f_i - z <= 0) の値は qbpp.relu(f_i - z, 2) と同じで，超えた分の 2 乗です．qbpp.relu(f_i - z) は超えた分そのもの（1 次）です．どちらも，重みが $z$ の係数より大きければ上の性質が成り立ちます．違いが出るのは，探索の途中で $z$ を最大値より少し小さくした状態です．最大値の式が 1 つのとき，$z$ を最大値より $d$ 下げると，重みを $\lambda$ として， relu では $(\lambda - 1)d$，cons では $\lambda d^2 - d$ だけエネルギーが増えます．この増え方が小さいと，ソルバーは $z$ を最大値より少し下げてみることができ， $z$ を超えたすべての式に「小さくするとエネルギーが下がる」向きができます．重みを大きくすると，この状態が高くつき，ソルバーは $z$ がすべての式以上の範囲を主に動くようになります．その範囲ではエネルギーは $z$（つまり最大値）だけで決まるので，最大値をとる式が 2 つ以上あると，1 つを小さくしてもエネルギーが変わらず，問題によっては探索が遅くなることがあります．重みは $z$ の係数より大きければ十分です（このページでは 2 倍にしています）．

最大値の最大化と最小値の最小化

$\max(f_1, \ldots, f_n)$ を最大化したいときは，どの $f_i$ を使うかを表すバイナリ変数 $s_1, \ldots, s_n$ を加え，次の式を最小化します:

\[-\sum_{i=1}^{n} s_i f_i + \lambda \cdot \operatorname{cons}\Bigl(\sum_{i=1}^{n} s_i = 1\Bigr)\]

ちょうど 1 つ選んだ $f_i$ の値が使われ，最小化によって最も大きい $f_i$ が選ばれます． $\min(f_1, \ldots, f_n)$ を最小化したいときは，$\sum s_i f_i$ の符号を正にします．今度は最小化によって最も小さい $f_i$ が選ばれます．重み $\lambda$ は，$f_i$ がとりうる値の絶対値より大きくします（2 つ以上選ぶと得をする，または 1 つも選ばないと得をすることがないようにするためです）． $s_i f_i$ の積の分だけ，式の次数が 1 上がります．

次のプログラムは，3 つの関数についてこの 2 通りを解きます:

import pyqbpp as qbpp

x = qbpp.var("x", integer=(0, 63))
f = qbpp.sqr(x - 52) + 300
g = qbpp.sqr(x - 14)
h = 3400 - qbpp.sqr(x - 49)
s = qbpp.var("s", shape=3)
picked = s[0] * f + s[1] * g + s[2] * h
one_hot = 10000 * qbpp.cons(qbpp.sum(s) == 1)


def solve(name, obj):
    obj.simplify_as_binary()
    sol = qbpp.ExhaustiveSolver(obj).search()
    print(f"{name}: energy = {sol.energy}, s = {sol(s)}, x = {sol(x)}, "
          f"f = {sol(f)}, g = {sol(g)}, h = {sol(h)}")


solve("-max", -picked + one_hot)
solve("+min", picked + one_hot)

picked は $\sum s_i f_i$，one_hot は $s$ をワンホットにする制約で，重み 10000 は $f$, $g$, $h$ の値（4000 以下）より大きくしています．
バイナリ変数 $s$ を含むので，simplify_as_binary() で簡約します．

プログラムの出力は次の通りです:

-max: energy = -3400, s = [0, 0, 1], x = 49, f = 309, g = 1225, h = 3400
+min: energy = 0, s = [0, 1, 0], x = 14, f = 1744, g = 0, h = 2175

最大値の最大は $h$ の頂点 $x = 49$ での 3400，最小値の最小は $g$ の頂点 $x = 14$ での 0 で， $s$ がその関数を選んでいます．

この 2 通りは，最大値の最大が「各関数の最大のうち最も大きいもの」，最小値の最小が「各関数の最小のうち最も小さいもの」なので，関数ごとに解いて比べても同じ答えになります．ワンホットの書き方が役に立つのは，最大値（最小値）がほかの項と一緒に目的関数に入るときです．なお，整数変数 $z$ を使う形をこの向きに使うと，$z$ が範囲の端に張り付き，エネルギーは最大値・最小値と関係のない値になります．

係数とほかの項

$\max(f_1, \ldots, f_n)$ に正の係数 $c$ を掛けて最小化するときは，$z$ の係数を $c$ にし， relu（または cons）の重みを $c$ より大きく（たとえば $2c$ に）します:

\[c\,z + 2c\sum_{i=1}^{n} \operatorname{relu}(f_i - z)\]

$z$ はこの部分にしか現れないので，ほかの項があっても，変数の割り当てごとにこの部分の最小値は $c \max(f_1, \ldots, f_n)$ に等しくなります．ワンホットで選ぶ形も同じで，$\sum s_i f_i$ に係数を掛けて，ほかの項と足せます．最大値・最小値が複数あるときは，それぞれに別の $z$（または別の $s_1, \ldots, s_n$）を使います．

最大値・最小値をほかの式に組み込む

qbpp.max・qbpp.min の項に使えるのは，2 つの式の場合でも，スカラー倍と足し算だけです．式との積や qbpp.sqr() に使ったり，qbpp.abs()・qbpp.relu() の中に入れたりするとエラーになります．最大値をこのような式に組み込みたいときは，最大値を表す整数変数 $z$ を使います． $z$ は普通の整数変数なので，qbpp.sqr(z - 2500) や qbpp.abs(z - 2500)，ほかの変数との積にそのまま使えます．

ただし，$z$ に課す条件は，最大値を包む関数 $G$ の向きによって変わります:

$G$ が増加関数のとき（たとえば最大値が 0 以上で $G = z^2$）: これまでと同じく「すべての $f_i$ が $z$ 以下」を課せば，最小化によって $z$ は最大値まで下がります．重みは $G$ の傾き（$z$ を 1 変えたときの $G$ の変化）より大きくします．
$G$ が減少関数のとき: 最大値を最大化するのと同じ向きなので，ワンホットで $z = \sum s_i f_i$ とします．
それ以外のとき: $z$ を最大値にちょうど固定します．「すべての $f_i$ が $z$ 以下」と「$z$ はどれか 1 つの $f_i$ に等しい」の 2 つを課すと，向きによらず $z = \max(f_1, \ldots, f_n)$ になります:

\[\sum_{i=1}^{n} \lambda \cdot \operatorname{cons}(f_i - z \le 0) + \lambda \cdot \operatorname{cons}\Bigl(z = \sum_{i=1}^{n} s_i f_i\Bigr) + \lambda \cdot \operatorname{cons}\Bigl(\sum_{i=1}^{n} s_i = 1\Bigr)\]

この 2 つは満たさなければならない要件なので，qbpp.cons() で書き，重み $\lambda$ を $G$ の傾きより十分大きくします．最小値なら，不等号の向きを逆にします．

次のプログラムは，上の 3 つの関数の最大値を 2500 に近づける，つまり $(\max(f, g, h) - 2500)^2$ を最小化します．$G = (z - 2500)^2$ は増加関数でも減少関数でもないので， $z$ を最大値に固定します:

import pyqbpp as qbpp

x = qbpp.var("x", integer=(0, 63))
f = qbpp.sqr(x - 52) + 300
g = qbpp.sqr(x - 14)
h = 3400 - qbpp.sqr(x - 49)
z = qbpp.var("z", integer=(0, 4000))
s = qbpp.var("s", shape=3)
upper = (1000000 * qbpp.cons(f - z <= 0) + 1000000 * qbpp.cons(g - z <= 0)
         + 1000000 * qbpp.cons(h - z <= 0))
pick = (1000000 * qbpp.cons(s[0] * f + s[1] * g + s[2] * h - z == 0)
        + 1000000 * qbpp.cons(qbpp.sum(s) == 1))
obj = qbpp.sqr(z - 2500) + upper + pick
obj.simplify_as_binary()
sol = qbpp.ExhaustiveSolver(obj).search()
print(f"energy = {sol.energy}, z = {sol(z)}, s = {sol(s)}, x = {sol(x)}, "
      f"f = {sol(f)}, g = {sol(g)}, h = {sol(h)}")

upper は「すべての $f_i$ が $z$ 以下」，pick は「$z$ はどれか 1 つの $f_i$ に等しい」です．
重み 1000000 は，$(z - 2500)^2$ の傾き（$z$ が 0 から 4000 のとき 5000 程度）より十分大きくしています．

プログラムの出力は次の通りです:

energy = 0, z = 2500, s = [0, 0, 1], x = 19, f = 1389, g = 25, h = 2500

$x = 19$ で最大値（$h$）がちょうど 2500 になっています． pick を外して upper だけにすると，$z$ は最大値より大きい値もとれるので，最大値が 2500 以下の $x$（$x = 6$ から 19）ではどれも $z = 2500$ としてエネルギーが 0 になり，正しい答えになりません．たとえば $x = 6$ では最大値は 2416 です．

z の範囲

$z$ の範囲が最大値を含まないとき，式の値は最大値より大きくなります（範囲の上限より最大値が大きければ超えた分の項が残り，範囲の下限が最大値より大きければ $z$ 自身が大きくなります）．式の値が最大値より小さくなることはないので， $z$ の範囲は最適解での最大値を含んでいれば十分です．たとえば上の例では，$f \ge 300$ なので最大値は 300 以上で， qbpp.var("z", integer=(300, 4000)) としてもかまいません．最小値を最大化するときも同じで，$z$ の範囲は最適解での最小値を含んでいれば十分です．

バイナリエンコードの整数変数

$x$ をバイナリエンコードの整数変数にしても，同じように書けます．このページのプログラムで，$x$ の宣言を qbpp.var("x", between=(0, 63)) に替え， obj.simplify() を obj.simplify_as_binary() に替えると，どれも同じ結果が得られます．このとき $f$, $g$, $h$ は 6 個のバイナリ変数の多項式に展開されます．