インストールと入門

WaSHI（WebAssembly-backed, Solver-independent, High-level modeling Interface）は、Python の PuLP のような代数モデリングを TypeScript / JavaScript で提供する数理最適化ライブラリです。タグ付きテンプレート（expr）で直感的に数式を記述でき、WebAssembly ソルバー（HiGHS, Z3, GLPK）によって Node.js やブラウザ でそのまま求解できます。

import { Model, expr, maximize } from "@ohtaman/washi";

const m = new Model("production");

// 1. 決定変数の定義（現実的な上下限 lb / ub を指定）
const desks = m.integer("desks", { lb: 0, ub: 100 });
const chairs = m.integer("chairs", { lb: 0, ub: 100 });

// 2. 目的関数と制約条件の設定
m.objective(maximize(expr`30 * ${desks} + 50 * ${chairs}`));
m.constraint(expr`${desks} + 2 * ${chairs} <= 40`, "wood_capacity");
m.constraint(expr`2 * ${desks} + ${chairs} <= 50`, "labor_capacity");

// 3. 求解（標準搭載の HiGHS WebAssembly）と解の検証
const status = await m.solve();
if (m.hasPrimalSolution) {
  const report = m.validateSolution();
  console.log(status, report.valid); // "Optimal", true
  console.log(`利益: ${m.objectiveValue} (机=${desks.value}, 椅子=${chairs.value})`); // 1100 (机=20, 椅子=10)
}

---

📦 インストール

標準の HiGHS ソルバー（LP / MIP / 凸QP）は本体に同梱されており、これだけで動作します：

npm

npm install @ohtaman/washi

pnpm

pnpm add @ohtaman/washi

yarn

yarn add @ohtaman/washi

bun

bun add @ohtaman/washi

Z3（SMT 論理制約・Unsat Core 競合診断）や GLPK を使う場合のみ、追加でインストールします：

npm install z3-solver   # SMT論理制約および Unsat Core 競合診断用
npm install glpk.js     # GLPK ソルバー用 (GPL-3.0)

---

💡 なぜ TypeScript & WebAssembly なのか？

• Node.js でもブラウザでも、環境構築なしで実行: OS ごとの C/C++ ネイティブビルドや Python 環境の用意は不要です。npm install ひとつで、Node.js の API・CLI・スクリプト でも ブラウザ でも同じコードがそのまま動きます。
• Web 標準 API や日常の UI へのライトウェイトな組み込み: 手元の分析スクリプトにとどまらず、URL を開くだけで誰でも使える Web ツールやミニゲーム、Chrome 拡張 としてサーバー維持コストなしで公開できます。ドラッグ操作に即応する UI の裏側や、画面・カメラキャプチャ・音声認識（Web Speech API）といった ブラウザ標準機能の入出力と、通信やデータの外部送信なしで数理最適化を直結 するような使い方も手軽に実現できます。
• 入力データからモデルまで一貫した型安全: 最適化の実装で起きやすい添字や辞書キーの取り違えを TypeScript の型システムで防げます。型付きの変数辞書（Record<K, Var>）や expr`30 * ${qty.desk} <= 40` の変数参照バインドにより、アプリ側のデータ型と直結し、コンパイル時の変数・キー検査や IDE の補完・リネームがそのまま効きます。
• AI × 数理最適化の高い親和性: アプリ本体と最適化モデルが 単一の TypeScript コードベース に収まるため、Python サーバーを跨がずにひとつのテスト環境でまとめて検証でき、静的サイト等へのデプロイも容易です。この「単一コードでのテスト・デプロイのしやすさ」は AI コーディングとの相性が良く、さらに実行時にも LLM による柔軟な条件抽出とソルバーによる厳密な制約充足・矛盾診断（Unsat Core）を同一ランタイム上でシンプルに統合できます。

---

🔍 基本ワークフローの勘所

冒頭のコードで使われている、WaSHI の基本的なお作法は3点だけです：

1. 変数には現実的な上下限（lb, ub）を設定する: m.continuous / m.integer / m.binary で変数を定義する際、有限の lb・ub を与えると MIP の前処理（Presolve）や論理制約の自動 Big-M 導出が強化されます。
2. expr で目的関数と制約を記述する: m.objective(maximize(expr`...`)) や m.constraint(expr`... <= ...`, "名前") のように記述します。制約に名前を付けておくと、解なし（Infeasible）になった際の原因特定にそのまま使えます。
3. hasPrimalSolution の確認と validateSolution(): await m.solve() の実行後、m.hasPrimalSolution で実行可能解の有無を確認してから各変数の .value を読み取ります。m.validateSolution() を呼ぶと、元の制約や整数条件を数値誤差の範囲で満たしているかを独立検証できます。

---

🧭 次のステップ

• モデリングガイド: 配列・辞書変数の作り方、総和 sum() や内積 dot()、論理制約や競合診断（Unsat Core）の書き方
• 具体例と API 早見表: 生産計画・シフト作成・ポートフォリオ最適化・配送計画など、ブラウザ上でそのまま動かせる11の実践レシピ
• ソルバーの比較と切り替え: 標準搭載の HiGHS と、オプションの Z3・GLPK の特性比較
• ランタイム環境設定: Node.js、Vite / Next.js 等のバンドラー、CDN、静的ホスティングでの設定方法