Teknik Optimasi Semester Ganjil 2013/2014 Pengganda Lagrange Teknik Optimasi Semester Ganjil 2013/2014
METODE LAGRANGE PADA NLP DENGAN SATU KENDALA Digunakan untuk memaksimumkan fungsi obyektif f(x, y, z) subject to suatu kendala dalam bentuk g(x, y, z) = k.
PENGGANDA LAGRANGE Untuk mempermudah pemahaman metode ini secara geometris, diterapkan terlebih dahulu pada fungsi-fungsi dengan dua variabel. Ingin dicari nilai maksimum dari f(x, y) subject to suatu kendala dalam bentuk g(x, y) = k.
PENGGANDA LAGRANGE – DUA VARIABEL Nilai maksimum bagi f(x, y) harus berada pada level kurva g(x, y) = k. Gambar berikut menunjukkan level kurva g(x, y) = k bersama beberapa level kurva f(x, y) = c, c = 11, 10, 9, 8, 7
PENGGANDA LAGRANGE – DUA VARIABEL Untuk memaksimumkan f(x, y) subject to g(x, y) = k adalah mencari Nilai c terbesar sedemikian sehingga level kurva f(x, y) = c bertemu dengan g(x, y) = k mempunyai gradien yang sama
PENGGANDA LAGRANGE – DUA VARIABEL Gradien/garis normal pada titik singgung (x0 , y0) adalah sama untuk kedua fungsi. Vektor gradien paralel Untuk skalar tertentu λ:
PENGGANDA LAGRANGE – TIGA VARIABEL Serupa dengan argumen pada fungsi dengan dua variabel, pada kasus maksimum dari f(x, y, z) subject to kendala g(x, y, z) = k. Solusi (x, y, z) harus berada pada level g(x, y, z) = k. Jika nilai maksimum dari f ada pada titik x0, y0, z0 di mana f(x0, y0, z0) = c, maka pada titik tersebut gradien dari f akan sama dengan gradien dari g(x, y, z) = k. Untuk skalar tertentu λ:
PENGGANDA LAGRANGE—METODE Tentukan semua nilai x, y, z, dan λ sedemikian dan Evaluasi f pada semua titik (x, y, z) yang dihasilkan di langkah a. Nilai terbesar maksimum bagi f. Nilai terkecil minimum bagi f.
Pada penurunan dengan metode Lagrange, diasumsikan bahwa Pada semua titik di mana g(x, y, z) = k
fx = λgx fy = λgy fz = λgz g(x, y, z) = k METODE LAGRANGE Pada langkah a di mana Persamaan vektor gradien tersebut harus dinyatakan per komponen (turunan parsial) sedemikian: fx = λgx fy = λgy fz = λgz g(x, y, z) = k Merupakan sistem dari 4 persamaan dengan 4 variabel yang tidak diketahui x, y, z, and λ. Tidak harus memperoleh nilai eksplisit bagi λ.
Prinsip tersebut ekuivalen dengan permasalahan: METODE LAGRANGE Prinsip tersebut ekuivalen dengan permasalahan: Max atau Min bagi: L(x, y, z, λ) = f(x, y, z) – λ(k - g(x, y, z)) f.o.c bagi permasalah tsb: Lx = fx – λ gx =0 ↔ fx = λgx Ly = fy – λ gy =0 ↔ fx = λgx Lz = fz –λgz =0 ↔ fz = λgz Lλ = k – g(x, y, z) =0 ↔g(x, y, z) = k
Ingin diperoleh x, y, dan λ sedemikian: METODE LAGRANGE Untuk fungsi dengan dua variabel, cara yang sama dapat dilakukan max atau min f(x, y) s.t. g(x, y) = k, Ingin diperoleh x, y, dan λ sedemikian: (2 turunan parsial saja) fx = λgx fy = λgy g(x, y) = k Tiga persamaan untuk menyelesaikan tiga variabel x, y, and λ.
L(x, y, λ) = f(x, y) – λ(k - g(x, y)) METODE LAGRANGE Prinsip tersebut ekuivalen dengan permasalahan: Max atau Min bagi: L(x, y, λ) = f(x, y) – λ(k - g(x, y)) f.o.c bagi permasalah tsb: Lx = fx – λ gx =0 ↔ fx = λgx Ly = fy – λ gy =0 ↔ fx = λgx Lλ = k – g(x, y) =0 ↔g(x, y) = k
Interpretasi λ Untuk Analisis Sensitifitas Dari hubungan: fx = λgx fy = λgy g(x, y) = k λ= fx / gx= fy / gy Adalah laju perubahan nilai fungsi akibat perubahan nilai pada kendala Efek perubahan ketersediaan bahan baku (ruas kanan kendala) terhadap nilai optimal fungsi
Contoh: Untuk permasalahan berikut, yang penjelasannya akan saya berikan di kelas
Digunakan λi sejumlah kendala (m) yang digunakan i = 1, …, m METODE LAGRANGE PADA NLP DENGAN BEBERAPA KENDALA Digunakan λi sejumlah kendala (m) yang digunakan i = 1, …, m Misal untuk dua variabel max atau min f(x, y) s.t. gi(x, y) = ki, i = 1, …, m Ingin diperoleh x, y, dan λi , i = 1, …, m sedemikian: fx = λ1 g1x + … + λm gmx fy = λ1 g1y + … + λm gmy gi(x, y) = ki, i = 1, …, m
Ekuivalen dengan: Max atau Min bagi: L(x, y, λ1, …, λm)= f(x, y) – λ1(k1 – g1(x, y)) – … – λm(km – gm(x, y)) f.o.c bagi permasalah tsb: Lx = fx – λ1 g1x – … – λm gmx =0 Ly = fy – λ1 g1y – … – λm gmy =0 Lλi = ki – gi(x, y) =0 untuk i = 1, …, m
SOAL -SOAL 1. Minimize f(x) = 𝑥 1 2 + 𝑥 2 2 + 𝑥 3 2 S.t. 𝑔 1 𝒙 =𝑥 1 + 𝑥 2 +3 𝑥 3 −2=0 𝑔 2 𝒙 =5𝑥 1 +2 𝑥 2 + 𝑥 3 −5=0 2. Minimize 𝑓 𝒙 = 𝑥 1 2 + 𝑥 2 2 + 𝑥 3 2 s.t 4 𝑥 1 + 𝑥 2 2 +2 𝑥 3 −14=0 3. Minimize 𝑓 𝒙 = 𝑥 1 2 +2 𝑥 2 2 +10 𝑥 3 2 s.t. 𝑔 1 𝒙 = 𝑥 1 + 𝑥 2 2 + 𝑥 3 −5=0 𝑔 2 𝒙 = 𝑥 1 +5 𝑥 2 + 𝑥 3 −7=0