Lecture 2 Optimization of Function 2013

NonLi near Programming Nughthoh Arfawi Kurdhi, M.
Sc

Department of Mathematics FMI PA UNS
Lecture 2: Optimization of Function of One Variable

A. Pendahuluan
Ide dasar dari masalah optimisasi adalah mengoptimumkan (memaksimumkan/
meminimumkan) suatu besaran skalar yang merupakan harga suatu fungsi dari n
variabel x
1
,x
2
,,x
n
.

Bentuk masalah minimisasi:
Minimumkan:
z =(x
1
,x
2
,,x
n
). (2.1)
Masalah maksimisasi dapat ditinjau dari metode minimisasi, karena
Maksimum (x
1
,x
2
,,x
n
) = minimum ((x
1
,x
2
,,x
n
)). (2.2)

Sehingga tanpa mengurangi keumuman, pada penyelesaian masalah optimasi berikutnya hanya
dibahasmasalah minimisasi.

Jika jumlah variabel n =1, maka (2.1) menjadi
Minimumkan: z =(x) (2.3)
yang merupakan masalah optimasi fungsi satu variabel.

B. Fungsi Unimodal dan Fungsi Konveks
Unimodal. Fungsi satu variabel adalah unimodal jika pada selang (daerah definisi)
kurvanya hanya mempunyai satu titik minimum/ maksimum relatif x
.

Gambar 2.1Ilustrasi fungsi unimodal, bimodal dan multimodal

NonLi near Programming Nughthoh Arfawi Kurdhi, M.Sc

Himpunan Konveks.
Definisi 2.1Suatu himpunan S dikatakan konveks jika dan hanyajika x
1
,x
2
S dan
[0,1] berlaku
x = x
1
+(1)x
2
S.
Dengan kata lain S merupakan himpunan konveks jika garis hubung (linesegment)
antara sebarang dua titik di S juga berada di S. Untuk selanjutnya, titik x =x
1
+
(1)x
2
dengan 0 1 disebut kombinasi konveks (convex combination) dari
titik x
1
dan x
2
.

(a) Konveks (b) Tidak konveks

Gambar 2.2Ilustrasi himpunan konveks

The following are some examples of convex sets.
1. H yperplane
S ={(x
1
,x
2
,x
3
):x
1
+2x
2
x
3
=4} E
3

This is an equation of a plane in E
3
. In general,
S ={x:p
t
x =o}
is called a hyperplanein E
n
, where p is anonzero vector in E
n
, usually referred
to as the normal to the hyperplane, and o is ascalar.

sol =Sol:c[x +2y z ==4,z]
Plot3[E:oluotc[z/ .sol],{x,50,50},{y,50,50}]

Gambar 2.3Illustration of hyperplane.

x
1
x
2


2. H alfspace
S ={(x
1
,x
2
,x
3
):x
1
+2x
2
x
3
4} E
3

These are points on one side of the hyperplane defined above. These points
form a half space. In general
S ={x: p
t
x o}
in E
n
is a convex set.

RcgionPlot3[x +2y z
4,{x,10,10},{y,10,10},{z,10,10}]

Gambar 2.4Illustration of half space.

3. Polyhedral set
S =_
(x
1
,x
2
,x
3
):x
1
+2x
2
x
3
4,
2x
1
x
2
+x
3
6
_ E
3

This set is the intersection of two half spaces. In general, the set
S ={x:Ax b}
is a convex set, where A is an mn matrix, and b is an m vector. This set is
the intersec-tion of m half spaces and is usually called a polyhedral set.

RcgionPlot3[x +2y z 4&&2x y +z
6,{x,10,10},{y,10,10},{z,10,10}]


Gambar 2.5Illustration of polyhedral set.

4. Convex cone
S ={(x
1
,x
2
):x
2
|x
1
|} E
2

This set represents a convex conein E
2
.

RcgionPlot[y Abs[x],{x,10,10},{y,10,10}]

Gambar 2.6Illustration of convex cone.

5. Points on and inside a circle
S ={(x
1
,x
2
):x
1
2
+x
2
2
4} E
2

This set represents points on and inside a circle with center (0,0) and radius 2.

RcgionPlot[x
2
+y
2
4,{x,2,2},{y,2,2}]



Gambar 2.7Illustration of points on and inside a circle

6. Linear programming problem
S ={x:x solves problcm P below}

ProblemP
Minimize c
t
x
Subject to Ax =b
x 0

Here c is an n vector, b is an mvector, A is an mn matrix, and x is an n
vector. The set S gives all optimal solutions of the linear programmingproblemof
minimizing the linear function c
t
x over the polyhedral region defined by
Ax =b and x 0.

The following lemma is an immediate consequence of the definition of convexity. It
states that the intersection of two convex sets is convex and that the algebraic sum
of two convex sets is also convex.

Lema 2.2 Misal S
1
andS
2
merupakan himpunan konveksdi E
n
. Maka
1. S
1
S
2
konveks
2. S
1
+S
2
={x
1
+x
2
:x
1
S
1
,x
2
S
2
}konveks
3. S
1
S
2
={x
1
x
2
:x
1
S
1
,x
2
S
2
}konveks.

Fungsi Konveks.
Definisi 2.3Suatu fungsi adalah konvekspada suatu selangS (berhingga ataupun tidak),
jikax
1
,x
2
S dan [0,1] berlaku
( x
1
+(1)x
2
) (x
1
) +(1)(x
2
). (2.4)



Gambar 2.8Ilustrasi fungsi konveks

Fungsi Konveks Tegas. Jika (2.4) berlaku dengan tanda ketidaksamaan tegas (strict
inequality), yaitu
( x
1
+(1)x
2
) < (x
1
) +(1)(x
2
) (2.5)
untuk x
1
x
2
dan (0,1), maka fungsi tersebut dikatakan konveks tegas
(strictlyconvex).
Fungsi Konkav. Jika(2.4) berlaku dengan tanda ketidaksamaan terbalik, yaitu
( x
1
+(1)x
2
) (x
1
) +(1)(x
2
). (2.6)
maka fungsi dikatakan konkav (concave).

Gambar 2.9Ilustrasi fungsi konkav

Fungsi Konveks Tegas. Jika (2.6) berlaku dengan tanda ketidaksamaan tegas (strict
inequality), yaitu
( x
1
+(1)x
2
) > (x
1
) +(1)(x
2
) (2.7)
untuk x
1
x
2
dan (0,1), maka fungsi tersebut dikatakan konkav tegas
(strictlyconcave).


Jadi berlaku pernyataan berikut:
Jika fungsi konveks, maka konkav.
dan Jika fungsi konveks tegas, maka konkav tegas.
Demikian juga sebaliknya.

Catatan.
1. Fungsi konveks/ konkav adalah fungsi yang unimodal.
2. Fungsi linear (linear function) merupakan fungsi konveks dan fungsi konkav.

(a) Fungsi konveks dan konkav (b) Fungsi not conveksnot concave

Gambar 2.10Ilustrasi fungsi konveks dan fungsi konkav serta tidak keduanya

C. Minimum Mutlak (Global) dan Minimum Relatif (Lokal)
Definisi 2.4. Fungsi dikatakan memiliki minimumrelatif (minimumlokal) di x
jika
terdapat e >0 sedemikian sehingga
(x) (x
),x \ {x
}dan|x x
| <e. (2.8)

Definisi 2.5. Fungsi dikatakanmemiliki minimummutlak (minimumglobal) di x

jikax ,
(x) (x
). (2.9)

Definisi maksimum lokal dan maksimum global berturut-turut dengan membalik
tanda Ketidaksamaan (2.8) dan (2.9), yaitu " " diganti " ".

Catatan: Suatu minimum/ maksimum global juga merupakan minimum/ maksimum
lokal, sebab D juga merupakan persekitaran dari x
. Tetapi, tidak setiap minimum

lokal adalah minimum global.



Gambar 2.11Ilustrasi minimum lokal minimum global

D. Beberapa Metode Optimasi
Menentukan letak optimum dengan kalkulus pada prakteknya ada yang tidak
berhasil. Hal ini dimungkinkan karena fungsi objektifnya tidak analitik sehingga
diferensiasinya tidak mungkin dihitung, atau titik-titik stasionernya tidak dapat
diperoleh secara aljabaris. Dalam kasus-kasus seperti ini, maka metode-metode
numerik digunakan untuk menghitung nilai-nilai pendekatan terhadap satu atau
beberapa optimum relatif hingga suatu toleransi yang dapat diterima.

Terdapat 2 jenis metode optimasi fungsi satu variabel, yaitu
1. Metode Penyelidikan (search method).
Dapat diaplikasikan untuk sembarang fungsi unimodal tanpa menggunakan
derivatif fungsi. Ide dasar: Penyusutan selang yang mengandung minimum lokal
hingga mencapai selang yang dibatasi dalam limit-limit yang dapat diterima
(toleransi yang diberikan).
2. Metode Pendekatan (approximation method).
Hanya dapat diaplikasikan untuk fungsi-fungsi unimodal yang diferensiabel
kontinu, yaitu menggunakan derivatif fungsi tersebut.

E. Metode Penyelidikan
Asumsi. Perhatikan fungsi : dengan . Jadi f adalah fungsi satu
variabel yang didefinisikan pada domain D.

Diasumsikan f mempunyai minimum, yaituuntuk setiap[p,q] (=[o,b]) terdapat suatu
x
[p,q] sehingga
(x
) =min
x[p,q]
(x). (2.10)

Jadi ada suatu minimum untuk f pada [p,q].

Ide dasar. Diberikan suatu fungsi : [o,b] dengan asumsi (2.10) dan ditentu-
kan suatu bilangan kecil o >0 (sebagai toleransi). Akan dicari suatu selang
I =[p,q] dengan |I| =q p o
yang mempunyai suatu titik minimum lokal.

Teorema. Ditentukan :[o,b] yang memenuhi asumsi (2.10) dan o <p <
q <b. Maka
i. Jika (p) (q), maka (p,b] mempunyai titik minimum lokal.
ii. Jika (p) (q), maka [o,q) mempunyai titik minimum lokal.

Bukti:
i. Andai (p) >(q)
Dari asumsi (2.10): x
[p,b] sehingga (x
) =min
x[p,b]
(x), maka
x
p. Sehingga x
(p,b] yang berarti x
adalah titik minimum lokal.

Andai (p) =(q)
Dari asumsi (2.10):
1. Jika (x
) =(p), maka dapat ditulis juga (x
) =(q), sehinggadapat
ditentukan x
=q (p,b] yang berarti qadalah titik minimum lokal.

2. Jika (x
) >(q), dari asumsi (2.10) hal ini tidak mungkin terjadi.

3. Jika (x
) <(q), makax
(p,b], berarti x
titik minimum lokal.

ii. Bukti analog.

Langkah untuk mengerjakan proses pengurangan selang.
[o
,b
] : selang awal yang mengandung minimum lokal.

p
,q
: pasangan titik yang diselidiki untuk menentukan minimum lokal.

1. Jika (p) (q), maka [o,q] adalah selang kedua: pilih titik
o
+1
=o
, b
+1
=q
, q
+1
=p
,
dan pilih titik baru
p
+1
<q
+1
.

(q
)

(p
)

--------------------------------------------------------------------------
ai pi qi bi
----------------------------------------------| ---------------------------
ai+1 pi+1 qi+1 bi+1

Gambar 2.12Ilustrasi untuk (p
) <(q
)

2. Jika (p) (q), maka [p,b] adalah selang kedua: pilih titik
o
+1
=p
, b
+1
=b
, p
+1
=q

dan pilih titik baru
q
+1
>p
+1
.


--------------------------------------------------------------------------
ai pi qi bi
------------------------------| ------------------------------------------
ai+1 pi+1 qi+1 bi+1

) >(q
)

Misal interval pada iterasi ke-i, yaitu [o
,b
] mempunyai panjang l
. Panjang
l
+1
seharusnya independen (tidak bergantung) terhadap pemilihan interval pa-
da iterasi ke-i (iterasi sebelumnya). Oleh karena itu titik p
dan q
dapat dipilih
sedemikian sehingga panjang interval [o
,q
] samadengan [p
,b
], yaitu
l
+1
=q
=b
. (2.11)
Karena
q
=(p
) +(q
)
b
=(q
) +(q
),
akibatnya
p
=b
.
Perhaikan ilustrasi berikut.

p

--------------------------------------------------------------------------------
ai pi qi bi

q

Perhatikan ilustrasi berikut.
l

--------------------------------------------------------------------------
ai pi qi bi
l
+1
l
+2

----------------------------------------------| ---------------------------
ai+1 pi+1 qi+1 bi+1

) <(q
)

l

--------------------------------------------------------------------------
ai pi qi bi
l
+1
l
+2

----------------------------------------------| ---------------------------
ai+1 pi+1 qi+1 bi+1

) >(q
)

Sehingga diperoleh persamaan rekursif
l
=l
+1
+l
+2

Lecture 2 Optimization of Function 2013

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Lecture 2 Optimization of Function 2013

Загружено:

Авторское право:

Доступные форматы

NonLi near Programming Nughthoh Arfawi Kurdhi, M.

. Tetapi, tidak setiap minimum

(p,b] yang berarti x

adalah titik minimum lokal.

) =(p), maka dapat ditulis juga (x

=q (p,b] yang berarti qadalah titik minimum lokal.

) >(q), dari asumsi (2.10) hal ini tidak mungkin terjadi.

titik minimum lokal.

] : selang awal yang mengandung minimum lokal.

: pasangan titik yang diselidiki untuk menentukan minimum lokal.

Вам также может понравиться