局所最適から抜け出すには？大域最適を探す3つの考え方

なぜ「局所最適から抜け出す」ことが重要なのか

局所最適は「目に見えにくい機会損失」を生みます。計画は一見うまく回っているように見えますが、もう一段良い計画があるという事実に気づけない状態が、利益・現場負荷・組織の柔軟性に長期的に効いてきます。

計画の質が変動する経営インパクト

同じ業務量・同じ設備でも、計画の作り方次第で残業時間や段取り回数、配送便数は変わります。製造現場では段取り順序を組み替えるだけで非稼働時間が減り、物流現場では訪問順序の組み換えで車両台数が変わる。こうした差は数%ではなく、二桁パーセントに達することも珍しくありません。

局所最適にハマった計画では、その「もう一段の改善余地」が利益として現れず、構造的な機会損失として固定化します。経営側から見ると、業務改善の上限が「現場の頑張り」によってしか動かない状態になり、設備投資や仕組みの見直しが効きにくくなるのです。

「現状より少し良い」で止まる組織文化のリスク

局所最適の本質的な問題は、組織の改善活動そのものが「現行案の微調整」に閉じてしまうことです。担当者は現行計画より少しでも良くなる案を採用し、悪くなる案は捨てる。この合理的な意思決定の積み重ねが、結果として「いまの山」を登り切ったところで止まってしまいます。

抜本的に違うアプローチを試すには、いったん「現状より悪くなるかもしれない計画」に賭ける必要が出てきます。しかし現場ではそのリスクを取りにくく、改善の打ち切り基準が無意識のうちに「現状より良いか」になってしまうのです。

部分最適の積み上げが全体機会損失を生む構造

局所最適は計画単体だけでなく、部署や工程の間でも起こります。製造ラインごとに最適な計画を作り、配送は配送で別の担当者が最適化し、シフトはまた別の担当が組む。それぞれは合理的に作られていても、つなぎ目で大きな無駄が発生する構図です。

全体としての良い計画には、個別工程の小さな譲歩が必要になることがあります。ある機械の稼働率を少し落とせば、後工程の段取り回数が大幅に減る、というようなトレードオフです。部分最適の積み上げではこの構造的な解には辿り着けません。全体最適の発想は、工程間・部門間のつなぎ目で生まれる無駄を一体で扱う設計思想として、計画問題の中核に位置づけられます。

設備や前提が変わったときに適応できなくなる

新しい設備が入った、納期ルールが変わった、人員構成が変わった。こうした変化点で起きるのが「過去の計画パターンがそもそも当てはまらなくなる」という事態です。現行計画を起点にした微調整しかしてこなかった現場では、いったん白紙から考え直す体力が育っておらず、前提変化に追随できなくなります。

このとき、いつもの担当者がいつも通り計画を組み始めると、結局は前と似た発想の計画にしかなりません。「全く違うアプローチを試す力」を持っていない計画運用は、環境変化に弱い計画運用でもあるのです。

問題が発生する根本原因

局所最適から抜けられない原因は、計画担当者の経験不足ではなく、人手で計画を作るときの手順そのものに埋め込まれています。

現行計画を起点にした「微調整」しか発想できない

人手の計画作りはほぼ例外なく「いまの計画」を出発点にします。前回の計画を引き継ぎ、変更点を当てはめ、不都合な箇所を直す。これは合理的な進め方ですが、出発点が固定されている時点で、辿り着ける解の範囲も大きく制約されてしまうのです。

計画の世界では、出発点が違えば最終的に到達する解も変わります。ある初期解からスタートして辿り着ける「ぼちぼち良い解」と、全く別の初期解から辿り着ける「もっと良い解」は、たいてい別の場所に存在します。現行計画起点の運用は、そもそも別の場所を探しに行かない運用なのです。

貪欲法で「目の前の最善」を積むほど後で詰まる

人手の計画作りでよく使われるのが、貪欲法と呼ばれる進め方です。最も納期が近い案件から順に割り付ける、最も大きい荷物から順に積む、最も技能が高い人から順にアサインする。この「目の前の一番良さそうな選択を順に積む」やり方は直感的で速いものの、後の選択肢を縛ってしまう特徴があります。

序盤で選んだ「目の前の最善」が、後半でとてつもない段取り替えや調整を要求するケースは多い。順序を一つひっくり返すだけで全体は楽になるのに、貪欲な積み上げではその発見に至らないのです。

山登り法では「いまの山」しか登り切れない

計画を改善するときの典型的な手順は、いまの計画を少し変えてみて、良くなったら採用、悪くなったら戻す、というものです。この進め方は山登り法と呼ばれます。シンプルで使いやすい一方、いまいる山の頂上までしか登れません。

計画の「地形」は単純なお椀型ではなく、いくつもの小さな山と大きな山が並んだ多峰性の構造をしています。山登り法は近くの頂上に辿り着いたところで「これ以上は良くならない」と判断して止まる。隣の谷を渡れば、もっと高い山が控えていても、そこには行けない仕組みです。

計画の地形は多峰性で、似た解の塊が点在している

なぜ多峰性になるのか。それは計画問題が、多数の変数とそれらの間の相互作用で構成されているからです。段取り替え、機械割り付け、人員アサイン、納期、シフト、これらが複雑に絡み合うと、似たような評価値の解がいくつもの場所に「塊」として現れます。

良い解と良い解の間には、評価が悪い「谷」が挟まれている。一つの良い解から少しずつ手を入れていく方法では、その谷を越えられません。計画問題の地形そのものが、人手の改善を阻んでいるのです。

局所最適と大域最適、計画に絡む変数の多さ

なぜ計画問題は多峰性になるのか。それは計画に絡む変数が単独では動かず、互いに影響し合うからです。一つの変数を動かすと、別の変数の良し悪しが変わる。この相互作用が、似た良さの解をあちこちに生み出します。

段取り替え順序と機械割り付けの相互作用

たとえば、製品Aと製品Bを同じ機械で続けて生産すると段取り替えが発生します。順序を入れ替えれば段取り回数が減りますが、機械割り付けを変えるとまた別の段取りが発生する。「順序」と「割り付け」は独立して最適化できる変数ではなく、互いに引っ張り合う関係にあります。

このため、ある順序と割り付けの組み合わせが「ぼちぼち良い」状態から、別の組み合わせが「もっと良い」状態に至る道筋は、必ずしも連続的ではありません。途中でいったん悪化する経路を通らないと辿り着けない解が存在します。

人員アサインと稼働シフトの絡み

シフト計画では、誰がいつ働くかという稼働シフトと、その時間帯に何の作業をするかという人員アサインが連動します。Aさんを早番に入れると、Aさんしかできない作業を朝に回す必要が出てきて、その結果Bさんの夜勤が固定される。一見独立した決定が、後ろの決定を強く制約していく構図です。

ここで「Aさんを早番から外す」という変更を試すと、短期的にはシフト全体が崩れ、評価値は一時的に悪化します。しかし崩した後で組み直すと、全体としては偏りが減ったより良い計画になることもある。途中で悪化を許容しない改善法では、この「組み直し」に到達できません。

納期とリードタイムの組み合わせ

納期の近い案件から優先するのは合理的に見えますが、リードタイムが長い案件を後回しにすると、結局後ろがつかえて全体納期が崩れます。納期の早い案件を「先に終わらせる」のと、納期の遠いがリードタイムの長い案件を「先に着手する」のは、どちらが正しいかではなく、どの組み合わせを選ぶかという問題です。

この組み合わせは案件数が増えると指数的に増加します。組合せ爆発が起きる計画問題では、人手で全パターンを比較することは現実的ではありません。

在庫・配送・段取りの全体トレードオフ

実務の業務計画は、製造・配送・在庫・シフトといった領域がさらに絡み合います。在庫を厚めに持てば配送頻度を下げられるが資金は寝る、段取りを少なくすれば製造は速いが在庫は積み上がる、といった全体のトレードオフです。

それぞれの領域が部分最適で動いていると、つなぎ目で必ず無駄が出ます。これが部分最適の積み上げが大域最適にならない構造の正体です。前提として、各領域の計画変数が正しく整備されていること、たとえばスキルマトリクスや標準作業時間といった入力データが揃っていることが必要になります。

なぜ「人手の計画」では局所最適から抜けられないのか

人手の計画は、変数の多さ、トレードオフの複雑さ、見直しスピードの3つの面で構造的に局所最適から抜け出しにくくなっています。

変数の多さでは、段取り・割り付け・アサイン・納期といった要素を「全部同時に動かして比較する」ことが現実的にできません。担当者は1〜2の変数だけを変えて評価し、残りは固定して進めます。この時点で探索範囲は地形のごく一部に限定されます。

トレードオフの複雑さでは、ある変数を動かすことで別の変数の良し悪しが変わる連鎖を全部追いきれません。Aを動かすとBが悪化、Bを直すとCが悪化、という連鎖は、人間の頭で同時に保持できる範囲を超えます。結果として「これ以上動かすと逆に悪くなる」と判断して止まることになるのです。

見直しスピードでは、抜本的に違う計画を試すには丸一日かかることが多く、現実には試せません。「全く違う割り付け方を一晩で何百パターン試す」ような探索は、人手では物理的に不可能。手作業の限界そのものが、局所最適から抜けられない最大の理由です。Excelやソルバーアドインに頼った計画立案も、変数とトレードオフが一定規模を超えると同じ壁にぶつかります。

最適化AIで大域最適を探すしくみ

局所最適から抜け出すには、人手の手順を改善するのではなく、探し方そのものの構造を変える必要があります。最適化AIは、現場のルールを守りながら、最も良い計画を自動で見つけるAIです。OptHubの最適化AIは、計画問題の数学的な構造を読み解き、現場で守るべきルールをクリアした計画の中から、人手では辿り着けなかった「全く違うもっと良い計画」を探していきます。

その鍵となるのが、メタヒューリスティクスと呼ばれる探索の枠組みです。遺伝的アルゴリズム、焼きなまし法、タブー探索などを含むこのアプローチの中から、局所最適を抜けるために特に重要な3つの考え方を紹介します。

多点同時探索で複数の山を同時に登る

人手の計画は1つの計画案を改善していきますが、最適化AIは複数の計画案を同時に持って並行して育てます。違う登山隊を別々の場所から同時に出発させ、それぞれが別の山を登っていくイメージです。

このアプローチの強みは、地形のあちこちで「いまここの山がどれくらいの高さか」を把握できる点にあります。1つの登山隊が低い山に登ってしまっても、別の登山隊が高い山に到達していれば、そちらに資源を回せる。多点で持つこと自体が、特定の局所最適に閉じ込められないための仕組みになっています。

わざと悪化を許容して別の山に移る

なぜ「現状より良いものだけ採用する」と局所最適から抜けられないのか。答えは単純で、近くの山を登り切ったら次に行く先がなくなるからです。これを抜けるには、一時的に悪い解を採用することが必要になります。「ある確率で悪化も許容する」という仕組みを入れると、いまの山を降りて谷を越え、別の山に移る動きが可能になります。遺伝的アルゴリズムや焼きなまし法といった探索手法は、それぞれ異なる方式でこの「悪化の許容」を実装しています。

実務では、最初は悪化を大きく許容して広く探索し、終盤は許容を絞って近くの山を丁寧に登る、という温度調整が行われます。広く探した上で深く掘る、という二段構えで、実用的な計算時間の中で「全体として最も高い山」に近い解を狙いに行く設計です。

解と解を組み換えて全く違う計画を生む

3つ目が、複数の良い解を組み合わせて新しい解を作る考え方です。Aの計画の前半部分とBの計画の後半部分を組み合わせる、別の場所にある2つの良い計画から「良い特徴」を引き継ぐ、といった操作で、どちらの登山隊もまだ到達していない新しい山に向かうことができます。

この組み換えは、人手の発想ではなかなか出てきません。担当者は現行計画を起点に微調整するため、「Aの前半とBの後半」のような飛躍的な組み合わせを試す機会がないからです。最適化AIはこの種の組み換えを高速に大量に試すことで、人手では見つからない解を引き出せます。OptHubの実装では「残業を減らす」と「納期を守る」のように互いに矛盾しがちな2つの目標を同時に追いかけ、複数のバランスパターンを同時に提示することもできます。

これら3つの考え方を組み合わせた探索により、現場では「現行計画より少し良い」ではなく「全く違うアプローチでもっと良い」計画を見つけられる可能性が高まります。たとえば配送・回収計画では、人手の微調整では到達しにくい解構造に踏み込むことで、ドライバーの勤務条件を満たしながら走行距離や残業を抑えるルートを設計できます。製造分野でも、属性の異なる製品間の段取り順序を抜本的に組み換えることで、保管スペース制約と納期を同時に満たす計画を狙えます。「この工程は必ず2人以上で担当する」「夜勤明けの翌日は日勤に入れない」といった現場独自のルールも、最適化モデルに織り込んだ上で探索が行われます。

まとめ

局所最適から抜け出せない問題は、担当者の経験不足ではなく、計画問題の構造と人手の探索手順が組み合わさって生まれる構造的な現象です。現行計画を起点にした微調整、貪欲法、山登り法は、いずれも近くの山を登り切るには有効ですが、別の山に移る仕組みを持っていません。

大域最適を狙うには、多点同時探索、悪化の許容、解の組み換えという3つの考え方を組み合わせた探索が必要になります。最適化AIはこれらを計算機の中で高速に大量に試すことで、人手では辿り着けなかった解を見つけ出します。重要なのは、解の質だけでなく、現場のルールを守った上での実行可能性が両立する点です。

ただし、最適化AIを活かすには、計画問題そのものを言語化する作業が前提になります。何を変数とし、何をゴールにし、どんなルールを守るのか。この整理を抜きに探索だけ始めても、抜け出した先が現場で使えない計画になってしまう。業務整理から始める進め方が、結果として局所最適から最も確実に抜け出す道筋になります。