群れが答えを見つける—Particle Swarm Optimization

カラフルな地形は、ある関数の「風景（ランドスケープ）」です。 低い（青い）ところほど値が小さく＝良い、高い（赤い）ところほど値が大きく＝悪い。 光る粒たちが群れ（解の候補）です。 開始を押すと、群れがころころと谷底＝最適解へ集まっていきます。 左のパネルで目的関数や各スライダーを変え、動きがどう変わるか試してみてください （理屈は次のセクションから説明します）。

PSO でいう粒子（パーティクル）は、鳥や魚のような「まわりを見て動くエージェント」ではありません。 1個の粒子は、問題の「解の候補」そのもの — たとえば探索空間の中の1点 (x, y) です。 群れは、ある目的関数 f(x, y) の値がいちばん小さくなる点（最適解）を、皆で手分けして探しています。

ビューアの地形は、その目的関数 f を風景として立体化したものです。 高さ＝関数の値で、低い谷ほど値が小さく＝良い解。 各粒子は「いまの当てずっぽうの答え」であり、地形の上をさまよいながら、 より低い場所（より良い答え）を探します。1匹1匹はバカでも、 群れとして情報を共有することで、賢く谷を見つけていく——これが群知能（swarm intelligence）です。

各粒子は毎ステップ、自分の速度 v を3つの力の足し算で更新し、その速度ぶんだけ位置 x を動かします。 たったこれだけです。

• 慣性 w·v — いまの向きを保つ力。大きいほど勢いよく進み、遠くまで探索する。
• 個人的引力 c1·(pBest − x) — 自分がこれまで見つけた最良地点へ引き戻す力（pBest＝オレンジの菱形）。
• 社会的引力 c2·(gBest − x) — 群れ全体の最良地点へ引き寄せる力（gBest＝金色のマーカー）。ここで情報が共有される。

r1, r2 は毎回ふり直すサイコロ（0〜1の乱数）です。これが入ることで、 同じ状況でも粒子ごとに引っぱられ方が少しずつ揺らぎ、群れが単調に一点へ潰れず、 あちこちをばらけて探索できます。 ビューアで粒子をクリックして選択すると、その粒子にかかる3つの力が 速度・自分の最良へ・全体の最良への矢印で表示されます。 c1・c2 のスライダーを動かして、矢印の長さ（引力の強さ）がどう変わるか見てください。

最適化のいちばんの難しさは、探索（exploration）と活用（exploitation）の綱引きです。 広くさまよえば本物の谷（大域最適）を見つけやすいが遅い。 見つけた良い所へ急いで集まれば速いが、近くの浅い谷（局所最適）で満足して止まってしまう危険がある。 PSO では、このバランスを3つのパラメータで調整します。

• 慣性 w が大きい → 勢いで遠くまで動く＝探索的。小さいと早く落ち着く＝活用的。
• 社会的引力 c2 が強い → gBest へ一気に収束＝速いが、局所最適に群れごとハマりやすい。
• 粒子の数が多い → 探索の網が広がり、良い谷を見つけやすくなる。

目的関数を切り替えると、難しさの違いが体感できます。 Sphere は谷がひとつだけの素直なお椀（簡単）。 Rastrigin は浅い谷が無数に並ぶ凸凹で、探索が足りないと群れが手前の浅い谷にハマります。 Rosenbrock は細く曲がった谷（バナナ谷）で、谷に入っても底までたどるのが難しい。 右下の収束グラフは、反復ごとの全体ベスト値の下がり方です。 途中で横ばい（プラトー）になったら、群れが行き詰まったサインです。

PSO はメタヒューリスティクスと呼ばれる最適化手法の一種で、最大の強みは 目的関数の中身（数式や微分）を知らなくても使えること。 必要なのは「ある案 x を評価して、良し悪しの数値 f(x) を返す」ことだけ。 だから、構造解析・日射/採光シミュレーション・エネルギー計算・コスト評価など、 シミュレーションでしか良し悪しが測れない「ぐちゃぐちゃな設計目標」にそのまま使えます。

建築・デザインの文脈では、形態最適化（フォルムファインディング）、部材寸法の最適化、 平面・配置計画、環境性能の最適化、モデルのキャリブレーションなどに応用されています。 Grasshopper の Galapagos をはじめとする「進化的ソルバー」もこの仲間で、 PSO はその代表的なアルゴリズムのひとつです。