線形計画法

制約条件のもとで目的関数（利益の最大化やコストの最小化など）を最適化する数学的手法。シンプレックス法で解を求め、生産計画や輸送問題などの最適化に活用される。

一次式で表される制約条件のもとで、一次式の目的関数の最大値または最小値を求める数学的最適化手法。シンプレックス法が代表的な解法であり、生産計画、輸送計画、資源配分の最適化問題に広く用いられる。

制約条件を1次不等式で表し、目的関数を最大または最小にする組合せを求める手法。限られた資源の配分計画を数理的に最適化する。

一次式で表される複数の制約条件の下で、一次式で表される目的関数（利益や費用）を最大または最小にする変数の値を求める数理計画の手法。限られた資源で利益が最大になる製品の生産量の組合せを決める問題などに使い、変数が2つなら図解法で、多数ならシンプレックス法などで解く。

ハイパーパラメータの探索で、指定した範囲や分布から値の組合せを無作為に選び、決めた回数だけ試して最もよいものを選ぶ方法。性能に効くハイパーパラメータが一部に限られる場合、同じ試行回数でもグリッドサーチより効率よくよい値を見つけやすい。試行回数で計算コストを管理できる。

損失関数の値が小さくなるよう、パラメータを損失関数の勾配（傾き）と逆の方向に少しずつ動かす更新を繰り返して、最小となる点を探す最適化の手法。1回に動かす量は学習率で決まり、大きすぎると発散し、小さすぎると収束が遅い。損失の形によっては局所最適解や鞍点にとどまることがある。

最適化の問題で、取り得るすべての解の中で目的関数（機械学習では損失関数）が最もよい値になる解。凸関数なら勾配降下法で求められるが、ニューラルネットワークの損失関数は凸ではないので、勾配降下法で必ず到達できるとは限らない。周辺だけで最もよい局所最適解と対比される。

最適化の問題で、その近くの解の中では最もよいが、全体で最もよいとは限らない解。勾配降下法は勾配が0になる点で止まるので、局所最適解や、ある方向には極小で別の方向には極大となる鞍点にとどまることがある。確率的勾配降下法のノイズ、モーメンタム、初期値を変えた複数回の学習などで抜け出しやすくする。

最適化問題を部分問題に分割し、各部分問題の解を記憶しながら全体の最適解を求めるアルゴリズム設計手法。重複する部分問題を再計算せずに済むため効率的。ナップサック問題や最短経路問題に応用される。

組織全体の業務とシステムを統一的な手法でモデル化し、業務とシステムを同時に改善することを目的とした設計・管理手法。ビジネスアーキテクチャ、データアーキテクチャ、アプリケーションアーキテクチャ、テクノロジアーキテクチャの4つの領域で構成される。