)
(
)
(
(
)
(
)
)
(51)
Dengan w :
)
(52)
Kondisi perancangan diatur pada nilai q dan t
1
, dan kapasitas panas umumnya dapat
dianggap 1 Btu lb
-1
o
F
-1
. Namun persamaan (52) menunjukan bahwa laju alir air pendingin tetap
jika temperatur air yang meninggalkan kondensor (t
2
) tidak berubah. Dengan kondisi seperti ini,
laju optimum dapat ditentukan langsung dari nilai optimum t
2
.
Dengan biaya tahunan untuk air pendingin (wH
y
C
w
) :
)
(53)
Biaya tetap tahunan untuk kondensor AK
F
C
A
dan biaya total tahunan untuk air pendingin
di tambah dengan biaya tetap adalah:
(54)
Dengan menyubstitusi A dari persamaan (51), maka:
(
(
)
(
)
)
(
)
(55)
Laju optimum air pendingin terjadi ketika biaya total tahunan minimum, yaitu dengan
mendiferensiasi persamaan diatas maka didapatkan pesamaan:
(
)
(
)
(
)
(
(56)
Nilai optimum t
2
dapat ditemukan dengan menggunakan persamaan (56) dengan
menggunakan metoda trial & error, dan persamaan (52) dapat digunakan untuk menentukan laju
alir optimum air pendingin. Metoda trial & error dapat digantikan dengan menggunakan gambar
11-6 yang mana merupakan plot dari persamaan (56)
Example Optimum cooling-water flow rate in condenser. A condenser for a distillation unit
must be designed to condense 5000 lb (2268 kg) of vapor per hour. The effective condensation
temperature for the vapor is 170F (350 K). The heat of condensation for the vapor is 200 Btu/lb
(4.65 x 10
5
J/kg). Cooling water is available at 70F (294 K). The cost of the cooling water is
$0.097 per 1000 gal ($25.60 per 1000 m
3
). The overall heat-transfer coefficient at the optimum
conditions may be taken as 50 Btu/(h)(ft
2
)(
o
F) (284 J/m
2
. s . K). The cost for the installed heat
exchanger is $34 per square foot of heat-transfer area ($366 per square meter of heat-transfer
area) and annual fixed charges including maintenance are 20 percent of the initial investment.
The heat capacity of the water may be assumed to be constant at 1.0 Btu/(lbrF) (4.2 kJ/kg . K). If
the condenser is to operate 6000 h/yr, determine the cooling-water flow rate in pounds per hour
and in kilograms per hour for optimum economic conditions.
Solution
U = 50 Btu/(h)(ft
2
)(
o
F)
H
y
= 6000 h/year
K
F
= 0.20
c
P
= 1.0 Btu/(lb)(
o
F)
c
A
= $34/ft
2
C
w
=
()()
=
()()()
()()()
Temperatur keluar optimum dari kondensor dapat ditemukan dengan menggunakan metode trial
& error dengan menggunakan persamaan (56) atau menggunakan gambar 11-6
Dengan menggunakan gambar 11-6, ketika absis 0.512
(
)
(
)
Dimana :
Dengan menggunakan persamaan (52), pada kondisi ekonomi optimum adalah:
()()
()()
)
Mass Transfer (Optimum Reflux Ratio)
Desain unit destilasi yang biasanya didasarkan pada spesifikasi tingkat pemisahan yang
iperlukan feed dipasok ke unit yang komposisi, suhu, dan laju alirannya diketahui. Engineer
harus menentukan ukuran kolom dan rasio refluks yang diperlukan untuk spesifikasi. Rasio
refluks meningkat, jumlah tahapan teoritis yang diperlukan untuk pemisahan menurun.
t =170
o
F
t
1
= 70
o
F
t
2,opt
= 128
o
F
Seperti yang ditunjukkan pada Gambar. 11-7, rasio refluks optimum terjadi pada titik
dimana sum'of biaya tetap dan biaya operasi minimum. Sebagai kasar pendekatan, rasio refluks
optimum biasanya jatuh pada kisaran 1,1-1,3 kali rasio refluks minimum.
The Strategy Of Linearization For Optimization Analysis
Dalam analisis sebelumnya untuk kondisi optimum, strategi umum untuk mendirikan
sebuah turunan parsial dari variabel dependen dimana kondisi optimum mutlak ditentukan.
Prosedur ini mengasumsikan bahwa maksimum absolut atau minimal terjadi dalam batas-batas
operasi dicapai dan terbatas pada kondisi yang relatif sederhana dimana batasi kendala tidak
terlampaui. Namun, masalah industri sering melibatkan Program terbaik untuk memenuhi
kondisi yang ada dalam situasi optimal pada kondisi batas titik maksimum atau minimum.
Sebuah contoh sederhana adalah produsen yang harus menentukan bagaimana mencampur bahan
baku menjadi campuran akhir yang memenuhi spesifikasi dasar sekaligus memberikan
keuntungan yang maksimal dalam hal biaya.
Dalam hal ini, batasan dasarnya adalah bahan baku yang tersedia, spesifikasi produk, dan
jadwal produksi, sedangkan tujuan keseluruhannya adalah untuk memaksimalkan keuntungan.
LINEAR PROGRAMMING FOR OBTAINING OPTIMUM CONDITIONS
Salah satu strategi untuk menyederhanakan pendekatan untuk masalah pemrograman
berbasis pada pengungkapan kendala dan tujuan dalam bentuk linear matematika. " garis lurus "
atau ekspresi linear dinyatakan secara matematis sebagai:
EXAMPLE OF APPROACH IN LINEAR PROGRAMMING
Sebagai contoh untuk menggambarkan metode dasar yang terlibat dalam pemrograman
linear untuk menentukan kondisi optimum, dengan mempertimbangkan masalah berikut. untuk
membuat bir dengan persen alcohol 4 persen, sedangkan stok yang tersedia hanya 3 persen dan
4,5 persen maka dilakukan pencampuran kedua alcohol dengan menambahkan air untuk
mendapatkan persen alcohol yang diinginkan,dengan mempertimbangkan masalah biaya yang se
minimal mungkin untuk menhasilkan produk yang seoptimal mungkin.
RATIONAL APPROACH TO PROBLEMS INVOLVING LINEAR PROGRAMMING
Rasionalisasi sistematis masalah yang diselesaikan dengan program linear dapat dibagi
menjadi langkah-langkah berikut :
1. Penjelasan sistematis keterbatasan atau kendala. Misalnya Untuk pembuatan bir
kendalanya adalah sebagai berikut :
a. Total volume produk adalah 100 galon, atau Vw +Va +Vb = 100 galon
b. Produk harus mengandung 4 persen alkohol, atau
c. Volume air dan Beer B harus nol atau lebih besar dari nol, sementara volume
Beer A harus 10 gal lebih
2. Penjelasan sistematis tujuan. Dalam contoh pembuatan bir, bertujuan
meminimalkan biaya bahan
3. Kombinasi dari kondisi kendala dan fungsi untuk memilih hasil terbaik dari
banyak kemungkinan.
Salah satu cara untuk melakukan ini adalah dengan menggunakan Pendekatan intuitif
dimana setiap kemungkinan akan dianggap memberikan solusi, dengan trial and error, hasil
terbaik. Pendekatan ini akan efektif untuk contoh pembuatan bir karena kesederhanaannya.
Namun, Pendekatan intuitif tidak memuaskan untuk situasi yang paling praktis, dan linear
pemrograman dapat digunakan. Perhitungan umum secara komputer diperlukan untuk solusi
akhir. Jika solusi sangat sederhana komputerisasi tidak diperlukan, program linear mungkin tidak
akan dibutuhkan. Untuk menggambarkan prinsip-prinsip dasar, contoh pembuatan bir
dipecahkan dalam pemrograman linear termasuk solusi intuitif, grafis solusi, dan solusi
komputer.
Linear Programming Graphical Solution.
Linear Programming Computer Solution.
Sebuah prosedur iterasi harus digunakan untuk solusi komputer mengizinkankomputer
untuk membuat perhitungan kemungkinan diulang sampai minimum tujuan C dicapai. satu
pendekatan untuk solusi komputer hanya melibatkan memecahkan empat dari tiga matriks
dengan masing-masing variabel alternatif yang ditetapkan sama dengan nol, diikuti oleh instruksi
bahwa kombinasi yang diinginkan adalah yang memberikan total biaya terendah. Logika
komputer, dimana diagram komputer, program, serta solusi dapat dikembangkan secara
langsung.
Computer logic for linear programming solution to brewery example
Komputer harus memecahkan situasi linierisasi di mana ada empat variabel dan tiga
kendala nol untuk memenuhi fungsi tujuan tertentu biaya minimum. Di bawah ini kondisi, salah
satu variabel mutt menjadi nol. Dengan demikian, salah satu metode untuk pendekatan komputer
adalah untuk mengatur masing-masing variabel pada gilirannya sama dengan nol, dihasilkan tiga
dari tiga matriks, dan menentukan solusi akhir untuk membuat biaya minimum. dari total satu
solusi komputer dengan instruksi untuk menangani tiga dari empat matriks, pendekatan ini akan
disederhanakan dengan mengulangi empat kali solusi dengan faktor-faktor penentu kasus
standar tiga persamaan dan tiga tidak diketahui dengan masing-masing empat variabel
alternatingly ditetapkan sama dengan nol.
GENERALIZATION OF STRATEGY FOR LINEAR PROGRAMMING
Masalah dasar dalam pemrograman linear adalah untuk memaksimalkan atau
meminimalkan linear. Ada berbagai strategi yang dapat dikembangkan untuk menyederhanakan
metode solusi, beberapa di antaranya dapat menyebabkan algoritma yang memungkinkan metode
nomor plugging atau murni solusi yang baik disesuaikan untuk solusi mesin.
Dalam pemrograman linear, variabel xr... x, biasanya dibatasi ( atau dapat diubah ) ke
nilai nol atau lebih besar. Ini dikenal sebagai sebuah nonnegativity pembatasan xi
GENERALIZATION OF LINEAR PROGRAMMING APPROACH
FOR ALGORITHM SOLUTION
Untuk mengizinkan solusi efisien untuk masalah pemrograman linear, sebuah algoritma
dapat dikembangkan. Sebuah algoritma, pada dasarnya, hanyalah sebuah tujuan matematika
metode untuk memecahkan masalah dan murni mekanis sehingga dapat diajarkan ke non-
profesional atau diprogram untuk komputer. Algoritma dapat terdiri dari serangkaian langkah-
langkah berulang atau iterasi. Untuk mengembangkan bentuk pendekatan untuk solusi
pemrograman linear-, himpunan pertidaksamaan linear yang membentuk kendala, yang ditulis
dalam bentuk "sama dengan atau kurang dari" persamaan
Metode yang digunakan untuk memungkinkan generasi solusi ekstrim-point secara
efisien cara untuk memungkinkan pendekatan yang cepat dan efektif untuk kondisi optimum.
THE SIMPLEX ALGORITHM
Dasar metode simpleks adalah generasi solusi ekstrim-point dengan memulai pada satu
titik ekstrim solusi yang layak diketahui dan kemudian lanjut ke titik ekstrim tetangga. Aturan
khusus diikuti yang menyebabkan generasi setiap titik ekstrim baru untuk menjadi perbaikan
terhadap fungsi tujuan yang diinginkan. Ketika titik ekstrim tercapai tidak ada perbaikan lebih
lanjut, ini mewakili optimal solusi yang layak. Dengan demikian, algoritma simplex adalah
proses berulang-ulang yang dimulai pada satu titik ekstrim solusi yang layak, tes titik ini untuk
optimalitas, dan algoritma dapat ditampilkan untuk hasil akhir dan efisien dengan optimal solusi.
Strategi Pemrograman Dinamis Untuk Optimasi Analisis
Konsep pemrograman dinamis didasarkan pada pengubahan seluruh putusan yang
melibatkan banyak variable menjadi serangkaian masalah sederhana dimana tiap-tiap masalah
tersebut hanya mengandung variable dalam jumlah kecil. Masalah optimalisasi yang melibatkan
banyak variable biasanya lebih sering menemukan kendala sehingga harus disederhanakan atau
dipecah menjadi urutan masalah yang hanya melibatkan satu variable. Karakteristik dari proses
ini adalah bahwa penentuan satu variable akan menyisakan masalah yang tersisa dengan variable
yang lebih sedikit. Pendekatan komputasi didasarkan pada prinsip optimalitas yang menyatakan
bahwa kebijakan yang optimal memiliki sifat yang tidak peduli bagaimana keadaan awal dan
keputusan awal, keputusan yang tersisa harus merupakan suatu kebijakan yang optimal yang
berkaitan dengan pernyataan yang dihasilkan dari keputusan pertama.
Penggunaan pemrograman dinamis biasanya berhubungan dalam hal desain seperti
indusri kimia dimana fungsi obyektif dapat diperoleh dengan membagi seluruh system menjadi
serangkaian tahapan.
Rumus umum untuk sebuah permasalahan yang menggunakan dinamika pemrograman
disajikan dalam bentuk yang telah disederhanakan, ditunjukkan pada gambar. 11-11.
Berdasarkan istilah yang tersaji pada gambar 11-11a masing-masing variable x
i+1
, x
i
, dan d
i
dapat
diganti dalam bentuk vector-vektor karena ada beberapa komponen yang terlibat dalam input dan
output serta beberapa variable juga terlibat.
Untuk operasi tahap tunggal ( Single-stage operations ), output adalah sebuah fungsi
input.
X
i
=h
i
( X
i+1
, d
i
) (88)
Demikian pula untuk individual stage, fungsi obyektif P
i
P
i
=g
i
( x
i+l
, x
i
, d
i
) (89)
Berdasarkan persamaan (88)
P
i
=g
i
( X
i+1
, d
i
) (90)
Untuk proses multistage sederhana ditunjukkan pada Gambar. 11-llb, strategi desain
proses untuk mengoptimalkan operasi secara keseluruhan dapat dinyatakan sebagai
F
i
(X
i+1
) =max [ g
i
( x
i+1
, d
i
) +F
i-1
(X
i
) ] =max [ Q
i
( X
i+1
, d
i
] (91)
Untuk,
Xi =hi(xi+l, di) i =1,2,, n-subject to f
0
= 0
Simbol F
i
(X
i+1
) menunjukkan bahwa maksimum ( atau optimum ) kembali atau
keuntungan dari proses tergantung pada input ke prose situ, dan istilah atau symbol dalam
kurung siku Eq. (91) mengacu pada fungsi yang sedang dioptimasikan. Dengan demikian,
istilah Q
i
( X
i+1
, d
i
) melambangakan gabungan kembali dari semua tahapan dan harus sama
dengan pengembalian dari tahap i, atau gi (X
i + 1
, d,), ditambah pengembalian maksimal dari
tahap sebelumnya 1 sampai i - 1, atau fi-i (xi).
Dalam menjalankan prosedur penerapan dinamika pemrograman untuk masalah
rancangan pabrik yang tepat, tiap input X
i +1
dianggap sebagai parameter. Dengan demikian,
masalah pada setiap tahap adalah menemukan nilai optimal variable d untuk semua nilai yang
memungkinkan dari variable yang diinput. Dengan menggunakan pendekatan dinamika
pemrograman yang melibatkan n tahap , total n optimasi harus dilakukan. Pendekatan ini dapat
dibandingkan dengan pendekatan biasa dimana nilai-nilai optimum dari semua tahapan dan
keputusan akan dibuat melalui analisa probabilitas kombinasi dasar.
Sebuah
Contoh
Sederhan
a Dari
Dinamik
a
Pemrogr
aman
Se
bagai
gambaran
, prosedur
umum
dan
metode
analisis
yang
digunaka
n dalam
dinamika
pemrogra
man,
memperti
mbangka
n contoh
masalah
desain (
dapat dlilihat dalam tabel 10 ). Prosedur umum terdiri dari beberapa langkah sebagai berikut :
1. Membentuk urutan tahap tunggal di mana proses tersebut akan dibagi. Hal ini akan
ditampilkan sebagai tahap 1 sampai 5 pada Tabel 10.
2. Tentukan unit yang akan digunakan untuk menyatakan fungsi keuntungan untuk setiap
tahapan individual dan keseluruhan proses. Dalam kasus ini, pernyataan masalah memperjelas
bahwa unit yang tepat untuk tujuan ini adalah laba selama periode lima tahun operasi, dan unit
ini akan digunakan sebagai solusi masalah.
3. Untuk setiap tahap, tentukan input yang mungkin, keputusan, dan output. Ini ditunjukkan pada
Tabel 11.
4. Untuk setiap tahap dan untuk setiap kombinasi input, bentuk tahapan untuk output .
5. Bentuk pengembalian optimal dari keseluruhan proses dan dari setiap tahap melalui penerapan
prinsip yang ditunjukkan pada Pers. (91).
Langkah-langkah (l), (2), dan (3) selesai, untuk contoh ditunjukkan dalam Tabel 10 dan
11. Untuk melaksanakan langkah-langkah (4) dan (5), perlu untuk mengasumsikan sejumlah
tingkat diskrit untuk setiap variabel. Besarnya subdivisi untuk masing-masing variabel
keputusan, tentu saja, merupakan kendala yang dikenakan pada solusi sistem, tetapi kendala ini
sangat berguna untuk mempersempit wilayah yang harus mendapat perhatian paling besar untuk
optimasi.
Tahap output dibentuk dalam urutan untuk subproses dari tahap 1, tahap l-tahap 2, tahap
l-tahap 2 tahap 3, tahap l-tahap 2 tahap 3-stage 4, dan akhirnya tahap l-tahap 2 tahap 3-stage 4
tahap 5. Optimum ditentukan untuk setiap subproses yang menggunakan semua tingkat diskrit
yang dipilih untuk variabel yang terlibat dalam subproses itu.
Subdivisi untuk keputusan-keputusan yang mungkin dalam contoh ini ditunjukkan
melalui data yang diberikan dalam Tabel 10 dan dirangkum dalam Tabel 11. Dengan demikian,
dalam tahap 5, ada tiga keputusan yang mungkin pada pemilihan mixer, dan masing-masing
memiliki empat keputusan efisiensi yang mungkin. Pada tahap 4, ada empat keputusan yang
mungkin pada tingkat suhu untuk pemanas. Pada tahap 3, ada tiga reaktor yang mungkin dan dua
katalis yang mungkin. Tahap 2 memiliki tiga keputusan yang mungkin dari reaktor II,, II, atau
tidak ada reaktor. Pada tahap 1, ada dua keputusan yang mungkin dari satu besar pemisah atau
dua pemisah kecil. Pada dasar secara keseluruhan, oleh karena itu, total kemungkinan modus
operasi melalui pendekatan yang sama sekali acak akan
3x4x4x3x2x3x2=1728
Dengan menerapkan teknik pemrograman dinamis, kondisi optimum akhir dapat dibentuk
melalui operasi tahap-demi-tahap sehingga hanya sekitar 15 mode operasi yang harus
dipertimbangkan.
Subproses Tahap I
Prosedur dinamika pemrograman hanya melibatkan tahap 1, hal ini sengaja untuk
menjadi dasar analisis pada penjualan produk akhir dengan pertimbangan hanya melibatkan
tahap pertama. Dengan dasar ini, semua kemungkinan konversi dari aliran yang masuk harus
dipertimbangkan. Data yang disajikan dalam tabel 10 menunjukkan bahwa setidaknya tiga puluh
persen umpan ( feed ) yang masuk harus terkonversi. Hal ini secara langsung menunjukkan
bahwa kemungkinan yang tidak masuk ke reactor II pada tahap kedua hanya bisa
dipertimbangkan jika konversi yang meninggalkan reactor I adalah tiga puluh persen atau lebih.
Oleh karena itu, hanya yang terkonversi sebesar tiga puluh persen atau lebih sajalah yang perlu
di pertimbangkan sebagaimana yang ditunjukkan dalam tabel 10 f .
Untuk setiap konversi (misalnya, untuk konversi 50 persen), laba lima tahun dapat
dievaluasi untuk kasus satu pemisah besar dan dua pemisah kecil. Oleh karena itu, dengan
menggunakan data yang diberikan dalam Tabel 10 dan mengabaikan biaya feed yang dianggap
konstan,
Laba lima tahun menggunakan salah satu pemisah besar
= (5)(50,000)(0.5)($5.0) - $15,000 - (5)($4,000) = $590,000
Laba lima tahun menggunakan dua pemisah kecil
= (5)(50,000)(0.5)($5.0) - (2)($9,000) - (2)(5)($1,500) = $592,000
Hal ini menunjukkan bahwa operasi yang optimal dari tahap 1 dengan konversi 50 persen
perlu menggunakan dua pemisah kecil. Perhitungan ini berulang lagi untuk semua konversi yang
mungkin, dan hasilnya [yaitu, satu tahap keuntungan Q, (x,, d,)] disajikan pada Tabel 12 dengan
kondisi optimum untuk setiap konversi ditunjukkan dengan tanda bintang.
Subproses Of Stage I-Stage 2
Subproses ini melibatkan pengambilan suatu keputusan pada jenis reaktor II (II,, II, atau
none). Kemungkinan konversi untuk Feed yang memasuki tahap 2 dapat dibentuk dari Tabel 1O
f atau Tabel 10 e seperti 15, 20, 25, 30, 40, 45, 50, atau 60 persen. Semua kemungkinan ini,
termasuk keputusan tentang konversi dan jenis reaktor, harus dievaluasi. Setiap hasil akan
memberikan konversi keluar yang merupakan feed untuk tahap 1, tapi kondisi optimum untuk
tahap 1 telah dihasilkan untuk berbagai feed. Oleh karena itu, jumlah biaya optimal untuk tahap
1 dan biaya yang dikembangkan untuk tahap 2 dapat ditabulasikan sehingga sistem yang optimal
untuk tahap l-tahap 2 dapat dipilih untuk setiap Feed yang sesuai untuk tahap 2.
Sebagai contoh, jika konversi input pada tahap-2 sebesar empat puluh persen, maka data
dan perhitungan yang berlaku adalah sebagai berikut ( asumsi biaya feed konstan sehingga dapat
diabaikan ) :
Laba lima tahun menggunakan reactor II
= $676,000 - $60,000 - (5)($10,000) = $566,000
Laba lima tahun menggunakan reactor II
= $693,500 - $80,000 - (5)($20,000) = $513,500
Laba lima tahun menggunakan reactor II = $503,000
Prosedur sebelumnya dapat diulang untuk semua kombinasi yang mungkin untuk proses
tahap 1-tahap 2 , dan hasil [yaitu, keuntungan satu-tahap-dua-tahap Q & s, d2)] ditabulasikan
pada Tabel 13.
Sisa Subproses Dan Solusi Akhir
Jenis prosedur opimalisasi yang sama sekarang dapat diikuti untuk masing-masing tiga
subsistem yang tersisa, dan hasilny disajikan dalam tabel 14, 15, dan 16 dengan symbol bintang
sebagai penunjuk set optimal. Optimum akhir untuk proses total sekarang dapat langsung
dibentuk dari tabel 16 yang memberikan laba lima tahun sebesar $427,000. Tahap operasi yang
semestinya dilakukan adalah sebagai berikut.
Tahap 5: Dari Tabel 16, mixer tipe B dengan efisiensi 80 persen harus digunakan.
Tahap 4: Dari Tabel 15, pemanas harus dioperasikan pada 800 F.
Tahap 3: Dari Tabel 14 dan 10, reaktor I, dengan katalis 1 harus digunakan untuk
memberikan konversi 60 persen.
Tahap 2: Dari Tabel 13, tidak ada reaktor II harus digunakan.
Tahap 1: Dari Tabel 12, dua pemisah kecil harus digunakan.
Contoh sebelumnya menggambarkan teknik yang digunakan dalam pemrograman
dinamis. Teknik ini memungkinkan penghematan besar pada jumlah perhitungan usaha yang
Optimum for stage
1with 80% conversion
( table 12 )
Optimum for stage
1with 90% conversion
( table 12 )
terlibat seperti yang diilustrasikan oleh fakta bahwa pendekatan optimasi tahap-demi-tahap yang
digunakan dalam contoh yang terlibat, pertimbangan hanya sekitar 15 kemungkinan mode
operasi.
Teknik Matematika Lainnya Dan Strategi Untuk Membangun Kondisi Optimal
Begitu banyak teknik matematika, tidak hanya pendekatan dasar yang sudah dibahas,
namun telah dikembangkan untuk aplikasi dalam berbagai situasi yang membutuhkan penentuan
kondisi optimum. Ringkasan dari beberapa teknik matematika lainnya yang lebih maju, bersama
dengan referensi yang dipilih sebagai informasi tambahan, disajikan sebagai berikut:
Aplikasi Multiplier Langrange
Ketika kendala pada persamaan atau pembatasan pada variable-variabel tertentu muncul
pada saat optimalisasi situasi teknik analisis yang paling ampuh adalah menggunakan Multiplier
Langrange. Dalam banyak kasus, prosedur optimasi normal pengaturan secara parsial dari fungsi
obyektif dengan masing-masing variabel sama dengan nol dan memecahkan persamaan yang
dihasilkan secara simultan menjadi sulit atau tidak mungkin dilakukan secara matematis.
mungkin akan lebih mudah untuk mengoptimalkan dengan mengembangkan Lagrange yang
selanjutnya dioptimalkan di tempat fungsi tujuan sebenarnya.
Dalam menerapkan teknik ini, istilah Langrange didefinisikan sebagai fungsi nyata yang
akan dioptimalkan ( yaitu fungsi obyektif ) ditambah produk dari Multiplier Langrangian (A) dan
batasan. Jumlah Langrangian harus sama dengan jumlah batasan, dan batasan harus dalam
bentuk persamaan yang telah diatur sehingga sama dengan nol. Sebagai gambaran aplikasi,
pertimbangkan situasi di mana tujuannya adalah untuk menemukan nilai positif dari variabel x
dan y yang membuat produk xy maksimal di bawah batasan yaitu X * + y * = 10. Untuk kasus
sederhana ini, fungsi obyektif adalah xy dan persamaan yang menjadi kendala ditetapkan sama
dengan nol X * + y * - 10 = 0.
L.E. (x, y) = xy + (x
2
+ y
2
- 10)
Dengan demikian, istilah Langrange adalah mengambil sebagian persamaan (92)
terhadap x,y dan A. Dan pengaturan masing-masing hasil persamaan sama dengan nol
menghasilkan
y + 2x = 0 (93)
x + 2Ay = 0 (94)
x
2
+ y
2
-10 = 0 (95)
Solusi simultan dari tiga persamaan sebelumnya untuk X, y, dan A yang diberikan, untuk
kasus di mana kedua x dan y positif, nilai-nilai optimum dari x sama dengan 2.24 dan y sama
dengan 2,24.