多目的最適化
理論と物理
多目的最適化
先生、多目的最適化って何ですか？
複数の目的関数を同時に最適化する。例：「質量を最小化」かつ「剛性を最大化」。通常これらはトレードオフ（質量を減らすと剛性が下がる）。
パレートフロント
トレードオフの最適解の集合がパレートフロント。パレートフロント上の解は「どの目的関数も他を犠牲にせずには改善できない」最適解。設計者がパレートフロントから好みの解を選択。
まとめ
先生、多目的最適化って何ですか？
複数の目的関数を同時に最適化する。例：「質量を最小化」かつ「剛性を最大化」。通常これらはトレードオフ（質量を減らすと剛性が下がる）。
トレードオフの最適解の集合がパレートフロント。パレートフロント上の解は「どの目的関数も他を犠牲にせずには改善できない」最適解。設計者がパレートフロントから好みの解を選択。
パレート最適の概念は19世紀の経済学者が源流
「パレート最適（Pareto optimality）」の概念はイタリアの経済学者ヴィルフレード・パレートが1906年に「Manuale di Economia Politica（経済学便覧）」で導入した。資源配分において「誰かを改善すると誰かが悪化する」均衡状態を指す概念で、これを多目的最適化に転用したのは1963年のKuhn-Tuckerの拡張と、1985年のSchaffer（VEGA法）だ。パレートフロントの概念なしに自動車の軽量化と安全性の同時最適化は語れない。
各項の物理的意味
- 慣性項（質量項）：$\rho \ddot{u}$、つまり「質量×加速度」。急ブレーキで体が前に投げ出された経験はありませんか？ あの「持っていかれる感じ」がまさに慣性力です。重い物体ほど動き出しにくく、動き出したら止まりにくい。地震で建物が揺れるのも、地面が急に動いたのに建物の質量が「置いていかれる」から。静解析ではこの項をゼロにしますが、それは「ゆっくり力をかけるから加速度は無視できる」という仮定です。衝撃荷重や振動問題では絶対に省略できません。
- 剛性項（弾性復元力）：$Ku$ や $\nabla \cdot \sigma$。ばねを引っ張ると「戻ろうとする力」を感じますよね？ あれがフックの法則 $F=kx$ であり、剛性項の本質です。では質問——鉄の棒とゴム紐、同じ力で引っ張るとどちらが伸びるでしょうか？ 当然ゴムです。この「伸びにくさ」がヤング率 $E$ であり、剛性を決めます。よくある勘違い：「剛性が高い＝強い」ではありません。剛性は「変形しにくさ」、強度は「壊れにくさ」で、別の概念です。
- 外力項（荷重項）：体積力 $f_b$（重力など）と表面力 $f_s$（圧力、接触力など）。こう考えてみてください——橋の上のトラックの重さは「中身全体にかかる力」（体積力）、タイヤが路面を押す力は「表面だけにかかる力」（表面力）。風圧、水圧、ボルトの締付力…すべて外力です。ここでありがちな失敗：荷重の方向を間違える。「引張」のつもりが「圧縮」になっていた——笑い話に聞こえますが、3D空間で座標系が回転していると実際に起こります。
- 減衰項：レイリー減衰 $C\dot{u} = (\alpha M + \beta K)\dot{u}$。ギターの弦を弾いてみてください。音は鳴り続けますか？ いいえ、徐々に小さくなりますよね。振動エネルギーが空気抵抗や弦の内部摩擦で熱に変わるからです。車のショックアブソーバーも同じ原理——わざと振動エネルギーを吸収して乗り心地を良くしています。もし減衰がゼロだったら？ 建物は地震の後いつまでも揺れ続けることになります。実際にはそうならないので、適切な減衰の設定が重要です。
仮定条件と適用限界
次元解析と単位系
| 変数 | SI単位 | 注意点・換算メモ |
|---|---|---|
| 変位 $u$ | m（メートル） | mm入力時は荷重・弾性率もMPa/N系に統一すること |
| 応力 $\sigma$ | Pa（パスカル）= N/m² | MPa = 10⁶ Pa。降伏応力との比較時に単位系の不一致に注意 |
| 歪み $\varepsilon$ | 無次元（m/m） | 工学歪みと対数歪みの区別に注意（大変形時） |
| 弾性率 $E$ | Pa | 鋼: 約210 GPa、アルミ: 約70 GPa。温度依存性に注意 |
| 密度 $\rho$ | kg/m³ | mm系ではtonne/mm³（= 10⁻⁹ tonne/mm³ for 鋼） |
| 力 $F$ | N（ニュートン） | mm系ではN、m系ではNで統一 |
数値解法と実装
多目的最適化のアルゴリズム
まとめ
NSGAIIは多目的最適化の事実上の標準アルゴリズム
NSGA-II（Non-dominated Sorting Genetic Algorithm II）はKalyanmoy Deb（インド工科大学カーンプール校）が2002年にIEEE Transactions on Evolutionary Computationに発表した多目的進化アルゴリズムで、Google Scholar上の被引用数は4万件超（2024年時点）と計算科学全体でもトップクラスだ。計算コストO(MN²)と密度保存メカニズムの組み合わせが優れており、optDesignやCadenceのAMSシミュレーションツールにも標準搭載されている。
線形要素（1次要素）
節点間を線形補間。計算コストは低いが、応力の精度が低い。せん断ロッキングに注意（低減積分やB-bar法で緩和）。
2次要素（中間節点付き）
曲線的な変形を表現可能。応力精度が大幅に向上するが、自由度は約2〜3倍に増加。推奨：応力評価が重要な場合。
完全積分 vs 低減積分
完全積分：過剰拘束（ロッキング）のリスク。低減積分：アワーグラスモード（零エネルギーモード）のリスク。適材適所で選択。
アダプティブメッシュ
誤差指標（ZZ推定量等）に基づく自動細分化。応力集中部の精度を効率的に向上。h法（要素分割）とp法（次数増加）がある。
ニュートン・ラフソン法
非線形解析の標準的手法。接線剛性マトリクスを毎反復更新。収束半径内で2次収束するが、計算コストが高い。
修正ニュートン・ラフソン法
接線剛性マトリクスを初期値または数反復毎に更新。各反復のコストは低いが、収束速度は線形的。
収束判定基準
力の残差ノルム: $||R|| / ||F_{ext}|| < \epsilon$（一般に $\epsilon = 10^{-3}$〜$10^{-6}$）。変位増分ノルム: $||\Delta u|| / ||u|| < \epsilon$。エネルギーノルム: $\Delta u \cdot R < \epsilon$
荷重増分法
全荷重を一度に負荷せず、小刻みに増加させる。弧長法（Riks法）は荷重-変位関係の極値点を越えて追跡可能。
直接法 vs 反復法のたとえ
直接法は「連立方程式を筆算で正確に解く」方法——確実だが大規模問題では時間がかかりすぎる。反復法は「当て推量を繰り返して正解に近づく」方法——最初は大雑把な答えだが、反復するたびに精度が上がる。辞書で言葉を探すとき、最初のページから順番に探す（直接法）より、見当をつけて開き、前後に調整する（反復法）方が効率的なのと同じ原理。
メッシュの次数と精度の関係
1次要素は「定規で曲線を近似する」——直線の折れ線で表現するため精度に限界がある。2次要素は「フレキシブルカーブ」——曲線的な変化を表現でき、同じメッシュ密度でも格段に精度が向上する。ただし、1要素あたりの計算コストは増えるため、トータルのコスト対効果で判断する。
実践ガイド
多目的最適化の実務
自動車の軽量化（質量）＋衝突安全（傷害値）、航空機の燃費（重量）＋強度。
実務チェックリスト
フォーミュラEのエアロ最適化は3目的同時最適化
フォーミュラEカーの空力設計では「ダウンフォース最大化・ドラッグ最小化・サイドウォッシュ均一化」の3目的同時最適化が標準だ。Mahindra Racing（フォーミュラEチーム）の2019シーズン車両開発では、SIMOPTICALとOpenFOAMを連成したNSGA-IIIベースの多目的CFD最適化で200世代・1000評価点を回し、エアロ効率を前シーズン比7%改善したと技術報告が記載している。
解析フローのたとえ
解析の流れは、実は料理とそっくりです。まず材料を買い出し（CADモデルの準備）、下ごしらえをして（メッシュ生成）、火にかけて（ソルバー実行）、最後に盛り付ける（後処理で可視化）。ここで大事な問いかけ——料理で一番失敗しやすい工程はどこでしょう？ 実は「下ごしらえ」なんです。メッシュの品質が悪いと、どんなに優秀なソルバーを使っても結果はめちゃくちゃになります。
初心者が陥りやすい落とし穴
あなたはメッシュ収束性を確認していますか？ 「計算が回った＝結果が正しい」と思っていませんか？ これ、実はCAE初心者が最も陥りやすい罠です。ソルバーは与えられたメッシュで「それなりの答え」を必ず返します。でもメッシュが粗すぎれば、その答えは現実から大きくずれている。最低3段階のメッシュ密度で結果が安定することを確認する——これを怠ると「コンピュータが出した答えだから正しいはず」という危険な思い込みに陥ります。
境界条件の考え方
境界条件の設定は、試験の「問題文を書く」のと同じです。問題文が間違っていたら？ どんなに正確に計算しても答えは間違いますよね。「この面は本当に完全固定なのか」「この荷重は本当に一様分布なのか」——現実の拘束条件を正しくモデル化することが、実は解析全体で最も重要なステップだったりします。
ソフトウェア比較
ツール
modeFRONTIERは欧州自動車業界の多目的最適化標準
ESTECO社（イタリア・トリエステ、1999年創業）のmodeFRONTIERは欧州自動車業界で多目的最適化ツールのデファクトスタンダードに近い地位を持つ。フォルクスワーゲン・ポルシェ・アウディが共通インフラとしてmodeFRONTIERを採用し、NastranやABAQUS・StarCCMとの多コード連成最適化を展開している。2022年にはHEEDSを買収したAltairとの競争が激化しているが、欧州アカデミア発の技術的厚みはmodeFRONTIERの強みだと評価するユーザーが多い。
選定で最も重要な3つの問い
- 「何を解くか」：多目的最適化に必要な物理モデル・要素タイプが対応しているか。例えば、流体ではLES対応の有無、構造では接触・大変形の対応能力が差になる。
- 「誰が使うか」：初心者チームならGUIが充実したツール、経験者ならスクリプト駆動の柔軟なツールが適する。自動車のAT車（GUI）とMT車（スクリプト）の違いに似ている。
- 「どこまで拡張するか」：将来の解析規模拡大（HPC対応）、他部門への展開、他ツールとの連携を見据えた選択が長期的なコスト削減につながる。
先端技術
多目的最適化の先端
多目的ベイズ最適化はCFD評価コストを90%削減
進化アルゴリズムは多目的最適化に強いが、1評価（CFDシミュレーション）に数時間かかる場合は数百〜数千評価が現実的でない。Gaussian Process（ガウス過程）サロゲートを用いた多目的ベイズ最適化（MESMO, MOTBO等）は1目的Bayesian最適化を多目的に拡張し、サンプル効率を劇的に改善する。Google BrainとJAXAの共同研究（2022年Nature Communications）は航空機翼形状の多目的最適化で評価回数を従来の進化的手法比1/10に削減できることを示した。
トラブルシューティング
多目的最適化のトラブル
目的関数のスケール差が最適化を偏らせる
多目的最適化で目的関数の単位・スケールが大きく異なる（例：重量[kg]と応力[MPa]の値が100倍差）場合、加重和法では小さい値の目的が支配的になりパレートフロントが偏る。標準的な対処法は各目的を「理想点（最小値）からの正規化」し0〜1スケールに変換することだ。OptiStruct、Isight、modeFRONTIERなどの多目的最適化ツールでは自動スケーリングオプションが設けられているが、オフのままのユーザーによる最適化失敗が実務でも頻発する。
「解析が合わない」と思ったら
- まず深呼吸——焦って設定をランダムに変えると、問題がさらに複雑になる
- 最小再現ケースを作る——多目的最適化の問題を最も単純な形で再現する。「引き算のデバッグ」が最も効率的
- 1つだけ変えて再実行——複数の変更を同時に行うと、何が効いたか分からなくなる。科学実験と同じ「対照実験」の原則
- 物理に立ち返る——計算結果が「重力に逆らって物が浮く」ような非物理的な結果なら、入力データの根本的な間違いを疑う
関連トピック
なった
詳しく
報告