OptimEngine - Operations Scheduling Solver

⚡ OptimEngine

本番環境向け最適化プラットフォーム — 4 層アーキテクチャ、OR-Tools CP-SAT、MCP ネイティブ、OAuth 2.1、オブザーバビリティを最優先。

---

概要

OptimEngine は NP 困難な最適化問題（スケジューリング、ルーティング、パッキング）を解き、不確実性のもとでのリスク（感度、ロバスト、確率的、パレート）を定量化します。REST と MCP（SSE + Streamable HTTP、OAuth 2.1 対応）の両方で、4 つのインテリジェンスレベル（L1 決定論的 → L3 規範的）にわたる 11 個のツールを提供します。

このシステムは、3 つのエンジニアリング原則を中心に構築されています。数学的な正確性（LLM による近似ではなく、実際の CP-SAT ソルバーを使用）、本番環境での堅牢性（完全なオブザーバビリティスタック、ビジネスロジックのテストカバレッジ、負荷テスト済み）、エージェントフレンドリー（MCP デュアルスタック、OAuth、レート制限、JSON のみの契約）です。

アーキテクチャ

flowchart TB
    Client[AI Agents / MCP Clients / REST] --> Edge[Edge Proxy<br/>Vercel]
    Edge --> L2[L2 Core Gateway<br/>FastAPI · orchestration]
    L2 --> L1[L1 Solver Layer<br/>OR-Tools 9.15 CP-SAT<br/>FJSP · CVRPTW · Packing · Sensitivity · Robust · Stochastic · Pareto · Prescriptive]
    L2 --> L3[L3 Thin Proxies<br/>Payment rails · MCP discovery]
    L1 --> Obs[Observability<br/>OpenTelemetry · Prometheus · Grafana Cloud]
    L2 --> Obs
    L3 --> Obs

エッジプロキシを含む 4 層構成で、Railway の 6 つのサービスと Vercel の 1 つの関数に分散してデプロイされます。すべてのレイヤーに OpenTelemetry トレーシング、Prometheus ミドルウェアを組み込み、支払いイベント時には Telegram でアラートを送信します。

技術スタック

レイヤー	テクノロジー
ランタイム	Python 3.12、FastAPI、Uvicorn
ソルバー	OR-Tools 9.15 CP-SAT、NumPy、カスタム Monte Carlo
MCP	FastMCP（SSE + Streamable HTTP）、ScaleKit OAuth 2.1、PyJWT
バリデーション	Pydantic v2
オブザーバビリティ	OpenTelemetry SDK、Prometheus クライアント、Grafana Cloud
負荷テスト	Locust 2.43
CI	GitHub Actions、pytest、pytest-cov
デプロイ	Railway（コンピューティング）、Vercel（エッジ）、GitHub Actions（CI）

機能

L1 — 決定論的最適化

ソルバー	問題	主な機能
スケジューリング	柔軟なジョブショップ（FJSP）	優先順位制約、時間枠、機械ごとの所要時間、稼働可能時間枠、品質ゲート、セットアップマトリクス
ルーティング	CVRPTW	容量、時間枠、GPS 距離、ドロップ訪問、4 つの目的関数
ビンパッキング	多次元パッキング	重量と体積の制約、アイテム数量、グループ、部分パッキング、4 つの目的関数

L2 — 不確実性下での最適化

モジュール	機能	出力
感度分析	パラメーターを1つずつ摂動	脆弱性マップ、感度スコア、重要フラグ、リスク順位
ロバスト最適化	不確実性の範囲 → 最悪ケースへの備え	ロバスト解、ロバスト性の価格、実行可能性率
確率的最適化	確率分布 → モンテカルロ法	期待値、VaR、CVaR（90/95/99 %）、分布の概要

L2.5 — 多目的最適化

モジュール	機能	出力
パレートフロンティア	競合する2〜4個の目的	非劣解、トレードオフ比率、相関分析

L3 — 処方的

モジュール	機能	出力
処方的アドバイス	履歴データ → 予測 → 最適化 → リスク → 推奨	アクション、リスク調整済みメイクスパン、実行可能性リスク評価

パフォーマンス

本番環境のベンチマーク概要（完全なレポート：BENCHMARKS.md）：

• 757件のリクエストを処理し、失敗は0件。累計20分間の負荷テストによる結果です。
• インフラの最低遅延：約200 ms（FastAPI + エッジプロキシ + 認証 + 可観測性のオーバーヘッド）
• 現在のRailwayプランでは同時ユーザー数5人で飽和点に達し、それを超えるとシステムは段階的に性能が低下します
• ボトルネックはインフラではなくソルバーのCPUです。スケーリングには、ゲートウェイを垂直に拡張するのではなく、L1で水平に拡張する方法が適しています

Grafanaのライブダッシュボード：public-dashboards/optimengine

テストとCI

• 7つのソルバーモジュールにわたる121件のテストがすべて成功
• 全体カバレッジ77 %、ビジネスロジックエンジンの平均カバレッジ88 %
• GitHub Actionsにより、プッシュとプルリクエストのたびに実行
• カバレッジレポートはビルド成果物としてアップロード（HTML + XML）

テストスイートではモックではなく、実際のCP-SATソルブを実行します。単なるコードパスではなく、数学的性質（CVaRの順序、容量制約、摂動に対する単調性）をアサーションで検証します。

v9.0.0の主な変更点

学術的なFJSPと実際の工場の運用とのギャップを埋める、4つのスケジューリングエンジンのアップグレードです。すべてv8のリクエストとの後方互換性があります。

機械ごとの処理時間 — 同じタスクでも、機械によって処理時間が異なります：

{
  "task_id": "milling",
  "duration": 100,
  "eligible_machines": ["CNC-1", "CNC-2"],
  "duration_per_machine": {"CNC-1": 120, "CNC-2": 80}
}

稼働可能時間帯 — 機械ごとに複数のシフトとメンテナンス時間を設定できます：

{
  "machine_id": "CNC-1",
  "availability_windows": [
    {"start": 0, "end": 480},
    {"start": 510, "end": 960}
  ]
}

品質ゲート — ジョブには最低品質が求められ、機械には歩留まり率があります：

{ "job_id": "ORD-BOSCH", "quality_min": 0.97 }
{ "machine_id": "CNC-4", "yield_rate": 0.99 }

段取り時間マトリックス — 順序に依存する切り替えコストを設定できます：

{
  "setup_times": [
    {"machine_id": "M1", "from_job_id": "J1", "to_job_id": "J2", "setup_time": 15}
  ]
}

クイックスタート

claude.ai（リモートMCPコネクター）

Settings → Integrationsから、リモートMCPコネクターとして追加します：

https://optim-engine-production.up.railway.app/mcp

OAuthで保護されたエンドポイントの場合：

https://optim-engine-production.up.railway.app/mcp/v2

REST（curl）

curl -X POST https://optim-engine-production.up.railway.app/optimize_schedule \
  -H "Content-Type: application/json" \
  -H "X-Engine-Key: $ENGINE_API_KEY" \
  -d '{
    "jobs": [
      {"job_id": "J1", "tasks": [
        {"task_id": "cut", "duration": 30, "eligible_machines": ["M1", "M2"]},
        {"task_id": "weld", "duration": 20, "eligible_machines": ["M2"]}
      ]}
    ],
    "machines": [{"machine_id": "M1"}, {"machine_id": "M2"}],
    "objective": "minimize_makespan"
  }'

MCPクライアントの設定

{
  "mcpServers": {
    "optim-engine": {
      "url": "https://optim-engine-production.up.railway.app/mcp"
    }
  }
}

検証ケーススタディ：MetalPrecision（合成データ）

イタリアの精密機械加工工場をモデルにした合成データセットです。CNC センター 4 台（2015～2023 年製）、実際の自動車・産業分野の顧客をモデルにした顧客注文 5 件、タスク 15 件を使用しています。7 つすべてのモジュールを対象に、ソルバーの動作をエンドツーエンドで検証するために使用しました。

ツール	結果
optimize_schedule	最適メイクスパン 225 分、納期遵守 5/5、平均稼働率 83.3 %、0.04 秒
validate_schedule	違反ゼロ、改善提案 2 件
analyze_sensitivity	3.6 秒で 73 回のソルブを実行し、最も感度の高いパラメーターを特定（感度スコア 8.9）
optimize_robust	最悪ケース 210 分、ロバスト性の代償 7.7 %、実行可能性 100 %
optimize_pareto	トレードオフのフロンティア：195/15 分 対 220/0 分、相関 -1.0
optimize_stochastic	モンテカルロシナリオ 30 件、CVaR95 = 188.5、CV 4.7 %
prescriptive_advise	予測 +1.3 %/期間、リスク調整後の範囲 167～183

データセット内の顧客名は説明用です。これは実際の顧客への導入ではなく、ソルバーの検証とデモを目的としたベンチマークシナリオです。

本番環境へのデプロイ

エンドポイント	役割
optim-engine-production.up.railway.app	L1 + L2 + L3 の計算（Railway、6 サービス）
エッジプロキシ（Vercel）	CORS 処理、ヘッダーの書き換え、エッジキャッシュ
claude.ai の MCP コネクター	Claude クライアント向けのツール提供

ディスカバリー

x402scan、Smithery、the402.ai でエージェントエコノミー向けに掲載されています。このシステムは、有料プランのエンドポイント向けに Base と Solana での x402 マイクロペイメントに対応しています。決済の統合については L3 のシンプロキシレイヤーに記載されていますが、プロジェクトの主な焦点ではありません。

ライセンス

MIT — LICENSE を参照してください。

ミケーレ・カンピ が開発しました。