Teknik Optimasi Semester Ganjil 2013/2014

Slides:



Advertisements
Presentasi serupa
Disusun oleh : RIANI WIDIASTUTI, S.Pd MATEMATIKA KELAS XI SEMESTER II
Advertisements

OPTIMASI MULTIVARIABEL DENGAN KENDALA KESAMAAN
OPTIMASI DENGAN KENDALA KESAMAAN Oleh : TIM Matematika
Optimasi Fungsi Tanpa Kendala
Max dan Min Tanpa Kendala Untuk Beberapa Variabel
Persamaan Garis dan Grafik Kuadrat
FMIPA Universitas Indonesia
Integer Programming.
Riset Operasional Pertemuan 4 & 5
Riset Operasional Pertemuan 3
TEKNIK OPTIMASI MULTIVARIABEL DENGAN KENDALA PERTIDAKSAMAAN
PROGRAM LINIER Sistem Pertidaksamaan Linier Dua Variabel Definisi:
Riset Operasi Ira Prasetyaningrum.
Persamaan Garis Singgung pada Kurva
Algoritma Golden Section Search untuk Mencari Solusi Optimal pada Pemrograman Non Linear Tanpa Kendala Eni Sumarminingsih Jurusan Matematika Fakultas MIPA.
Diferensial Fungsi Majemuk
Fungsi Beberapa Variabel (Perubah)
Bab 2 PROGRAN LINIER.
Persamaan Garis Lurus Materi Kelas VIII.
MATEMATIKA KELAS XII SEMESTER GANJIL
Steepest Descent (Ascent) untuk Kasus Min (Maks)
Pengali Lagrange Tim Kalkulus II.
TEKNIK OPTIMASI MULTIVARIABEL DENGAN KENDALA
Persamaan Garis Lurus.
LINEAR PROGRAMMING METODE SIMPLEX
Dr. Rahma Fitriani, S.Si., M.Sc
Model Transportasi.
LINEAR PROGRAMMING Pertemuan 05
PENYELESAIAN MODEL LP PENYELESAIAN PERMASALAHAN DNG MODEL LP DAPAT DILAKUKAN DENGAN 2 METODE : (1). METODE GRAFIK Metode grafik hanya digunakan untuk.
Linear Programming (Pemrograman Linier) Program Studi Statistika Semester Ganjil 2011/2012 DR. Rahma Fitriani, S.Si., M.Sc.
Pemecahan NLP Satu Peubah pada Selang Tertentu
D0104 Riset Operasi I Kuliah V - VII
Optimasi dengan Konstrain
Operations Management
Penyelidikan Operasi Penyelesaian Numerik
(Tidak mempunyai arah)
Optimasi Dengan Metode Newton Rhapson
RISET OPERASIONAL RISET OPERASI
PENYELESAIAN MODEL LP PENYELESAIAN PERMASALAHAN DNG MODEL LP DAPAT DILAKUKAN DENGAN 2 METODE : (1). METODE GRAFIK Metode grafik hanya digunakan untuk.
GAME THEORY Modul 11. PENELITIAN OPERASIONAL Oleh : Eliyani
Program Linier (Linier Programming)
Pemrograman Kuadratik (Quadratic Programming)
Diferensial Fungsi Majemuk
Matakuliah : K0074/Kalkulus III Tahun : 2005 Versi : 1/0
Industrial Engineering
Pertemuan ke-5 25 Oktober 2016 PARANITA ASNUR
PROGRAM LINEAR sudir15mks.
Riset Operasi Ira Prasetyaningrum.
Persamaan Linear Satu Variabel
Analisis Sensitivitas
METODE BIG-M LINEAR PROGRAMMING
Optimisasi: Fungsi dengan Dua Variabel
Diferensial Fungsi Majemuk
Diferensial Fungsi Majemuk
ASSALAMU’ALAIKUM Wr Wb
Diferensial Fungsi Majemuk
Diferensial Fungsi Majemuk
Aplikasi Turunan.
Kalkulus Diferensial - Lanjutan
Peta Konsep. Peta Konsep E. Grafik Fungsi Kuadrat.
Pemrograman Non Linier(NLP)
PENGGUNAAN DIFERENSIAL
C. Persamaan Garis Singgung Kurva
Diferensial Fungsi Majemuk
Operations Research Linear Programming (LP)
Program Linier – Bentuk Standar Simpleks
Operations Research Linear Programming (LP)
Pertemuan 9 Kalkulus Diferensial
C. Persamaan Garis Singgung Kurva
Persamaan Garis Lurus Materi Kelas VIII. Standar Kompetensi persamaan garis lurus. Kompetensi Dasar 3.4 Menganalisis fungsi linear (sebagai persamaan.
Transcript presentasi:

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