Metode Optimasi Analitis

Referensi: Pengantar Optimasi Non Linear Oleh Ir. Djoko Lukmanto, M.Sc., Ph.D., Penerbit: Laboratorium Hidraulika UGM (2000)





·           Mengetahui Metode Optimasi Analitis Satu Variabel Tanpa Kendala.

·           Mengetahui Metode Optimasi Analitis Multi Variabel Tanpa Kendala.

·           Mengetahui Metode Optimasi Analitis Multi Variabel dengan Kendala Persamaan.

·           Mengetahui Metode Optimasi Analitis Multi Variabel dengan Kendala Pertidak-samaan.


Suatu permasalahan optimasi disebut nonlinier jika fungsi tujuan dan kendalanya mempunyai bentuk nonlinier pada salah satu atau keduanya, contohnya adalah sebagai berikut:

Dimisalkan x adalah variabel penentu dan f(x) adalah fungsi tujuan dari suatu masalah. Metode optimasi menyelesaikan masalah:

Untuk menyelesaikan permasalahan seperti tertera di atas digunakan kalkulus diferensial yang dinyatakan seperti di bawah ini:

·           Teorema:

Misalkan f adalah fungsi yang menerus dalam interval tertutup [a,b] dan dapat diderivasikan pada interval terbuka (a,b).

(i) Jika f’(x) > 0 untuk seluruh x dalam (a,b), maka f adalah menanjak pada [a,b].

(ii) Jika f’(x) < 0 untuk seluruh x dalam (a,b), maka f adalah menurun pada [a,b].

·           Test derivasi pertama: 

Misalkan f adalah fungsi yang menerus dalam interval tertutup [a,b] dan dapat diderivasikan pada interval terbuka (a,b) kecuali mungkin di titik c yang berada didalam (a,b).

(i) Jika f’(x) > 0 untuk a < x < c dan f’(x) < 0 untuk c < x < b, maka f(c) adalah sebuah maximum lokal dari f.

(ii) Jika f’(x) < 0 untuk a < x < c dan f’(x) > 0 untuk c < x < b, maka f(c) adalah sebuah minimum lokal dari f.

(iii) Jika f’(x) < 0 atau f’(x) > 0 untuk setiap x dalam (a,b) kecuali x = c, maka f(c) BUKAN sebuah nilai ekstrim.

·           Test derivasi kedua: 

Misalkan f adalah fungsi yang dapat diderivasikan pada interval terbuka yang berisi titik c dan f’(c) = 0,

(i) Jika f”(c) < 0, maka f(c) adalah sebuah maximum lokal dari f.

(ii) Jika f”(c) > 0, maka f(c) adalah sebuah minimum lokal dari f.

Contoh 1:

Sebuah perusahaan catering (makanan ringan yang menyediakan konsumsi untuk suatu penataran di JTE FT UMY) berusaha mengurangi pengeluaran untuk keperluan pembungkus. Bungkus tersebut terbuat dari kertas karton seperti tampak pada Gambar di samping. Keempat pojoknya akan dipotong segi empat samasisi sedemikian rupa sehingga volumenya menjadi maksimum.

·           Teorema:

Misalkan f’(c) = f”(c) = … = f(n-1)(c) = 0, tetapi f(n)(c) ≠ 0. Maka f(c) adalah:

(i) nilai minimum dari f(x), jika f(n)(c) > 0 dan n adalah bilangan genap,

(ii) nilai maximum dari f(x), jika f(n) (c) < 0 dan n adalah bilangan genap,

(iii) bukan minimum dan maximum jika n adalah bilangan gasal.

Contoh 2.

Tentukan maximum dan minimum dari fungsi di bawah ini

Penyelesaian:


Secara umum teknik yang digunakan pada optimasi satu dimensi dapat digunakan dalam optimasi multi variabel.

Definisi dan simbol-simbol yang digunakan:

·           Teorema:

Jika f(X) mempunyai sebuah titik ekstrem (minimum maupun maximum) pada X = X* dan jika derivasi pertama dari f(X) mempunyai nilai pada titik X*, maka f(X*) = 0

PERHATIAN: Kebalikannya belum tentu benar yaitu jika f(X*) = 0 maka X* adalah titik ekstrem.

·           Teorema:

Titik X* disebut titik maksimum lokal dari f(X) jika dan hanya jika:

(i) f(X*) = 0

(ii) H(X*) < 0 definit negatif dengan H = matrik Hessian yang didefinisikan sebagai:

·           Teorema:

Titik X* disebut titik minimum lokal dari f(X) jika dan hanya jika:

(i) f(X*) = 0

(ii) H(X*) > 0 definit positif atau |H|j > 0 untuk j = 1,2,…,n, sehingga


Contoh 3:

Tentukan titik-titik ekstrim dari fungsi:



Pada bagian ini akan didiskusikan teknik optimasi multi variabel dengan kendala persamaan yang mempunyai bentuk umum sebagai berikut:

disini m ≤ n, jika terjadi bahwa m > n, maka biasanya tidak dapat diselesaikan

Untuk menyelesaikan permasalahan optimasi di atas, digunakan metode pengali Lagrange, yaitu:

·           Teorema:

Syarat perlu bagi sebuah fungsi f(X) dengan kendala gj(X) = 0, dengan j = 1, 2, …, m agar mempunyai minimum relatif pada titik X* adalah derivasi parsial pertama dari fungsi Lagrangenya yang didefinisikan sebagai L = L(x1,x2,…,xn, λ12,…,λn) terhadap setiap argumennya mempunyai nilai nol.

·           Teorema:

Syarat harus bagi sebuah fungsi f(X) agar mempunyai minimum (atau maximum) relatif pada titik X* adalah jika fungsi kuadrat, Q, yang didefinisikan sebagai

dievaluasi pada X = X* harus definit positif (atau negatif) untuk setiap nilai dX yang memenuhi semua kendala.

Syarat perlu agarmenjadi definit positif (atau negatif) untuk setiap variasi nilai dX adalah setiap akar dari polinomial, zi, yang didapat dari determinan persamaan di bawah ini harus positif (atau negatif).


Pada bab ini akan didiskusikan teknik optimasi multi variabel dengan kendala pertidak-samaan yang mempunyai bentuk umum sebagai berikut:

Jadi permasalahan optimasi di atas dapat ditulis kembali sebagai:

Permasalahan ini dapat diselesaikan metode pengali Lagrange.

Syarat perlu untuk suatu penyelesaian optimum pers diperoleh dari penyelesaian sistem persamaan di bawah ini.

Syarat perlu agar persamaan optimasi, mencapai titik minimumnya dapat pula dicari dengan syarat Kuhn-Tucker. Untuk problema jenis konvex, syarat Kuhn-Tucker menjadi syarat perlu dan cukup untuk sebuah minimum global.

PERHATIAN:

·           Jika permasalahannya adalah memaksimumkan {bukan meminimumkan seperti contoh}, maka λj ≤ 0 dalam Pers.(1.21d).

·           Jika kendalanya adalah gj ≥ 0, maka λj ≤ 0 dalam Pers.(1.21d).

·           Jika permasalahannya adalah memaksimumkan dan jika kendalanya adalah gj ≥ 0, maka λj ≥ 0 dalam Pers.(1.21d).


6. Video Pengenalan Optimasi [back]


7. Link Download [back]

download file materi di sini

download file video di sini


Tidak ada komentar:

Posting Komentar