Riset Operasional Pertemuan 4 & 5

Slides:



Advertisements
Presentasi serupa
Sumber: Pengantar Optimasi Non-Linier Ir. Djoko Luknanto, M.Sc., Ph.D.
Advertisements

OPTIMASI MULTIVARIABEL DENGAN KENDALA KESAMAAN
Max dan Min Tanpa Kendala Untuk Beberapa Variabel
Riset Operasional Pertemuan 9
TEKNIK OPTIMASI MULTIVARIABEL DENGAN KENDALA BENTUK KHUSUS
Riset Operasional Pertemuan 13
Welcome in my presentation,, Oleh: SANTI WAHYU PAMUNGKAS Kelas: X Adm
Riset Operasional Pertemuan 10
Riset Operasional Pertemuan 4
Riset Operasional Pertemuan 3
Metode Simpleks Dengan Tabel
TEKNIK OPTIMASI MULTIVARIABEL DENGAN KENDALA PERTIDAKSAMAAN
Fungsi Konveks dan Konkaf
Bab 2 PROGRAN LINIER.
Pengali Lagrange Tim Kalkulus II.
TEKNIK OPTIMASI MULTIVARIABEL DENGAN KENDALA
RUANG VEKTOR EUCLIDEAN
Pertemuan 2 Aritmatika Vektor.
TEKNIK RISET OPERASIONAL
KASUS MINIMISASI Ir. Indrawani Sinoem, MS
Teknik Optimasi Semester Ganjil 2013/2014
9.1 Nilai Optimum dan Nilai Ekstrem
Sambungan metode simplex…
BAHAN AJAR M.K. PROGRAM LINEAR T.A. 2011/2012
Fungsi Konveks dan Konkaf
Pertidaksamaan Kuadrat
OPTIMASI MULTIVARIABEL
Standard Unit Vektor Kombinasi Linear Membangun Bebas Linear Basis
Optimasi dengan Konstrain
Penyelidikan Operasi Penyelesaian Numerik
Optimasi Dengan Metode Newton Rhapson
GAME THEORY Modul 11. PENELITIAN OPERASIONAL Oleh : Eliyani
PL PDF 1 PL PDF 2 PL PPT 1 PL PPT 2 OPERATION RESEARCH Program Linier.
Linear Programming (Pemrograman Linier)
ALJABAR LINEAR, VEKTOR & MATRIKS
PERSAMAAN LINEAR DENGAN SATU VARIABEL
ALJABAR LINEAR KOMBINASI LINEAR, MERENTANG
Konsep Support Vector Machine
PERTIDAKSAMAAN.
Minggu 1 Pertemuan II Riset Operasi
ALJABAR LINEAR Himpunan Bebas Linear, Bergantung Linear
Aljabar Linear Elementer
MATEMATIKA I Vivi Tri Widyaningrum,S.Kom, MT.
Riset Operasional Kuliah ke-4
Manajemen Sains Kuliah ke-4
RUANG VEKTOR.
Universitas Ahmad Dahlan Yogyakarta
ALJABAR LINEAR DAN MATRIKS
Riset Operasi Kelompok 1
PROGRAM LINEAR DENGAN METODE SIMPLEKS PERTEMUAN 3
SOAL RUANG VEKTOR BUDI DARMA SETIAWAN.
METODE BIG-M LINEAR PROGRAMMING
Soal Latihan Pertemuan 13
Standard Unit Vektor Kombinasi Linear Membangun Bebas Linear Basis
Fungsi diskriminan linear, klasifikasi diskret dan regresi
A. Sistem Persamaan Linier dan Kuadrat
Peta Konsep. Peta Konsep E. Grafik Fungsi Kuadrat.
Peta Konsep. Peta Konsep A. Sistem Persamaan Linier dan Kuadrat.
Pemrograman Non Linier(NLP)
IKG2B3/METODE KOMPUTASI
PERSAMAAN LINIER DUA VARIABEL.
Program Linier – Simpleks Kendala
Program Linier - Daerah Fisibel Tak Terbatas
ALJABAR MATRIKS pertemuan 5 (Quiz’s Day) Oleh : L1153 Halim Agung,S
Standard Unit Vektor Kombinasi Linear Membangun Bebas Linear Basis
BAB 6: TRANSFORMASI LINIER
Program Linier – Bentuk Standar Simpleks
Pertidaksamaan Linear
Operations Research Linear Programming (LP)
NILAI EIGEN VEKTOR EIGEN
Transcript presentasi:

Riset Operasional Pertemuan 4 & 5 Penyelesaian Analitis Persoalan Optimasi Vivi Tri Widyaningrum,S.Kom, MT

Pendahuluan Dasar dalam pembahasan penyelesaian analitis persoalan optimasi ini adalah Mathematic (Simbolic) Model yang telah dipelajari sebelumnya.

1. Optimasi Tanpa Kendala Bentuk umum  Min f(x) f(x) adalah fungsi skalar yang didefinisikan pada ruang vektor x  Rn Penyelesaian dari persoalan diatas dapat dicari dengan cara sbb: bila x* adalah titik minimum maka f(x*) = 0 bila H(x*) adalah definit positif maka x* yang memenuhi syarat f(x*) = 0 adalah titik minimum

Contoh :

Penyelesaian :

 yang merupakan calon (kandidat) penyelesaian dari persoalan Lanjutan…  yang merupakan calon (kandidat) penyelesaian dari persoalan H (x*) = adalah definit positif  adalah titik minimum, dengan Z = 3x12 + 2x22 + 4x1x2 – 6x1 -8x2 + 6 = 3(-1)2 + 2(3)2 + 4(-1)(3) – 6(-1) – 8(3) + 6 = -3

Fungsi Konveks & Fungsi Konkav f konkav  -f adalah konveks fungsi linear  fungsi konveks & juga fungsi konkav f adalah konveks jika:  matriks Hessiannya adalah definit positif f adalah konkav jika:  matriks Hessiannya adalah definit negatif S adalah himpunan konveks jika:  himpunan yang kombinasi konveks dua dari anggotannya adalah anggota himpunan itu.

2. Optimasi Dengan Kendala Persamaan Bentuk umum : Min f(x) st hi(x) = 0; i = 1, 2, 3,…, n [st : subject to ( dengan syarat )  kendala] Contoh :

Lanjutan… tidak memenuhi h(x) = 0 Jadi bukan penyelesaian persoalan diatas x* adalah penyelesaian dari persoalan diatas  x*  A dimana = { x h(x) = 0 } A adalah himpunan titik–titik vektor x yang memenuhi semua kendala  A disebut daerah layak dari persoalan tersebut atau Feasible Region

Lanjutan… x* adalah penyelesaian dari  x*  A = { x h(x) = 0} dan f(x*)  f(x)  x  A Untuk menyelesaikan persoalan optimasi dengan kendala persamaan dipergunakan fungsi lagrange : Dengan ini persoalan optimasi dapat diubah menjadi persoalan optimasi tanpa kendala dalam bentuk : Min L ( x ,  ) ( x*, * )  penyelesaian dari L ( x , )   L ( x*,* ) = 0

Contoh :

Penyelesaian :

Lanjutan… Calon penyelesaiannya adalah x* =

Lanjutan… Bila L(x,) adalah konveks maka x*  titik minimum yg dicari f(x*) adalah konveks karena H(x) definit positif h(x*) adalah konveks karena linear L ( x*, * ) = f(x*) + * h(x*) + 4h(x*) = konveks + konveks = konveks Jadi x* =  Titik penyelesaian

Lanjutan… Catatan : syarat perlu  L(x,) = 0 syarat cukup L(x,) harus konveks f(x) harus konveks h(x) dengan  positif harus konveks h(x) dengan  negatif harus konkav

Latihan Soal Min st