3 Lagrange Multipliers
3 Lagrange Multipliers
Brawijaya University
Lagrange Multipliers
Mata
/ MateriKuliah
1. Kuliah
PENDAHULUAN
1.1 Pengantar
1.2 Tujuan
2. PENGANTAR METODE
KALKULUS
3. METODE LAGRANGE
MULTIPLIER
4. METODE LAGRANGE
MULTIPLIER OPTIMASI tidak
BERKENDALA
5. OPTIMASI BERKENDALA
6. MASALAH DALAM OPT
TIDAK BERKENDALA
a. Penggunaan
Gradien Untuk
Optimasi
b. Determination
Of Minimum Or
Maximum
c. Penentuan
Minimum Atau
Maksimum
d. Konversi
Dibatasi Untuk
Masalah
Dibatasi
7. MASALAH OPTIMASI
BERKENDALA
8. OPTIMASI
DENGAN
KENDALA
KETIMPANGAN:
KONDISI
KUHNTUCKER
1. PENDAHULUAN
1.1 PENGANTAR
Jika fungsi ini kontinu dan terdiferensialkan, turunannya menjadi nol
pada titik ekstrem tersebut. Untuk fungsi y (x), kondisi ini ditulis
sebagai
MODU
L
Minggu 3
S
E
L
FP
R
O
P
A
G
A
TI
N
G
E
N
T
R
E
P
R
E
2012
1.2 TUJUAN
1.2.1 Tujuan Instruksional Umum
Setelah mengikuti mata kuliah ini mahasiswa akan memiliki kemampuan melakukan
analisis suatu proses dan melakukan optimasi dengan metode yang telah dipelajarinya
1.2.2 Tujuan Instruksional Khusus
Setelah mempelajari pokok bahasan mahasiswa dapat ;
2012
CONTOH 1:
Terapkan teknik kalkulus berbasis optimasi hanya diberikan kepada meminimalkan biaya
C untuk panas bergulir jumlah yang diberikan dari logam. Biaya ini dinyatakan dalam hal
laju aliran massa m bahan sebagai berikut
di mana istilah pertama di sisi kanan merupakan biaya peralatan, yang meningkat
dengan meningkatnya laju alir, dan istilah kedua merupakan operasi biaya, yang turun
dengan meningkatnya m.
SOLUSI
Nilai ekstrem diberikan oleh
Karena itu
DASAR PENDEKATAN
Pernyataan matematika dari masalah optimasi diberikan dalam sebelumnya
bab sebagai
Page 3 of 29
2012
dimana U adalah fungsi tujuan yang akan dioptimalkan dan Gi = 0, dengan i bervariasi
dari 1 sampai n, merupakan kendala kesetaraan n. Seperti disebutkan sebelumnya, jika
kendala ketimpangan muncul dalam masalah, ini harus diubah menjadi kesetaraan
kendala untuk menerapkan metode ini. Selain itu, dalam beberapa kasus,
ketidaksetaraan kendala hanya mendefinisikan domain diterima dan tidak digunakan
dalam optimasi proses. Namun demikian, solusi yang diperoleh diperiksa untuk
memastikan bahwa kendala puas.
Metode Lagrange pada dasarnya mengubah masalah sebelumnya untuk menemukan
minimum atau maksimum ke solusi dari sistem aljabar persamaan, sehingga
memberikan skema yang nyaman untuk menentukan optimal. Itu fungsi tujuan dan
kendala digabungkan menjadi Y fungsi baru, yang dikenal sebagai ekspresi Lagrange
dan didefinisikan sebagai
dimana adalah parameter yang tidak diketahui, yang dikenal sebagai pengali Lagrange.
Kemudian, menurut metode ini, optimum terjadi pada solusi dari sistem persamaan
yang dibentuk oleh persamaan berikut:
Page 4 of 29
2012
Jika U fungsi tujuan dan kendala Gi yang terus menerus dan terdiferensialkan,
sistem persamaan aljabar diperoleh. Karena ada persamaan m untuk kendala dan
persamaan tambahan n berasal dari ekspresi Lagrange, total m+ n persamaan simultan
diperoleh. Yang tidak diketahui adalah m pengganda, sesuai dengan kendala m, dan
variabel independen n. Oleh karena itu, sistem ini dapat diselesaikan untuk
mendapatkan nilai-nilai variabel independen, yang menentukan lokasi yang optimum,
serta multiplier. Analytical metode untuk memecahkan sistem persamaan aljabar dapat
digunakan jika persamaan linier diperoleh dan / atau ketika jumlah persamaan kecil,
biasanya sampai dengan sekitar lima. untuk nonlinear persamaan dan untuk set yang
lebih besar, metode numerik umumnya lebih tepat. Nilai optimum dari fungsi tujuan ini
kemudian ditentukan dengan menggantikan nilai-nilai yang diperoleh untuk variabel
independen terhadap ekspresi untuk U. optimum sering diwakili oleh tanda bintang,
yaitu, X1*, X2*, . Xn* dan U*.
2012
U=0
Oleh karena itu, vektor gradien, yang normal dengan kontur U konstan, adalah
nol, menyiratkan bahwa tingkat perubahan U adalah nol sebagai salah satu bergerak
menjauh dari titik dimana persamaan ini puas. Ini menunjukkan titik stasioner, atau
ekstrem, seperti ditunjukkan secara kualitatif pada Gambar 2 untuk satu atau dua
variabel independen. Intinya mungkin minimum atau maksimum. Hal ini juga dapat
menjadi titik pelana, ridge, atau lembah (lihat Gambar 2). Informasi tambahan yang
diperlukan untuk menentukan sifat stasioner titik, seperti yang dibahas kemudian.
Karena Persamaan
adalah persamaan vektor, masing-masing komponen dapat
ditetapkan sama dengan nol, sehingga menimbulkan dua persamaan berikut:
2012
Gambar 3. Interpretasi fisik metode lagrange multiplier untuk dua variabel independen
dan kendala tunggal
G adalah
Gradien vektor U normal dengan kontur U konstan, sedangkan
vektor normal terhadap kontur G konstan. Pengganda Lagrange hanya konstan. Oleh
karena itu, persamaan ini menyiratkan bahwa dua vektor gradien yang selaras, yaitu,
keduanya berada dalam garis lurus yang sama. Besaran dapat berbeda dan dapat
disesuaikan untuk memastikan bahwa Persamaan sesuai. Namun, jika dua vektor tidak
berada dalam garis yang sama, jumlah itu tidak boleh nol kecuali kedua vektor adalah
nol. Hasil ini ditunjukkan secara grafik pada Gambar 3 untuk minimum di U. Sebagai
salah satu bergerak di sepanjang kendala, yang diberikan oleh G-0, dalam rangka untuk
G bervariasi arah. Titik di mana menjadi
memastikan bahwa kendala puas, gradien
U adalah optimal. Pada titik ini, dua kurva yang tangensial dan
collinear dengan
dengan demikian menghasilkan nilai minimum U sementara memenuhi kendala.
Kurva U konstan di bawah kurva kendala tidak memenuhi kendala dan yang di
atas itu memberikan nilai U lebih besar dari optimum pada lokasi di mana mereka
bersinggungan dengan kurva kendala. Jelas, nilai U lebih kecil dari yang di yang optimal
ditunjukkan pada gambar bisa diperoleh jika ada kendala tidak ada, dalam hal
U . Sebagai contoh,
persamaan yang mengatur akan diperoleh dari Persamaan
mempertimbangkan U fungsi tujuan dalam bentuk
Kendala ini dapat ditulis sebagai berikut untuk meletakkannya dalam bentuk yang
diberikan oleh Persamaan :
Page 7 of 29
2012
untuk
Gambar 4. (a). Optimisasi masalah kendala sederhana dan (b) hasil dari semua
kendala diberikan oleh ekpresi adalah satu.
Page 8 of 29
2012
Sekali lagi, mudah untuk memvisualisasikan vektor gradien jika hanya dua
atau tiga variabel terlibat, seperti yang terlihat di bagian sebelumnya. Namun,
konsep-konsep dasar yang sama dan dapat diperpanjang untuk setiap nomor
yang sesuai dari variabel. Semua komponen Persamaan vektor persamaan,
U, harus nol agar vektor menjadi nol karena semua variabel diambil sebagai
independen satu sama lain. Oleh karena itu, optimal diperoleh dengan
memecahkan persamaan
Hal ini mirip dengan kondisi untuk titik stasioner diberikan oleh Persamaan
untuk variabel tunggal independen. Fungsi tujuan harus kontinu dan
terdiferensialkan fungsi dari variabel independen dalam masalah dan derivatif
harus kontinu.
Sistem persamaan diwakili oleh Persamaan dapat linear atau nonlinier,
persamaan nonlinier meskipun lebih sering ditemui untuk termal sistem dan
proses. Analisis matematis dapat digunakan dalam kasus-kasus sederhana untuk
mendapatkan solusi. Jika tidak, teknik numerik diperlukan. Metode ini sangat
berguna untuk sistem yang mungkin ditandai dengan ekspresi aljabar yang dapat
dengan mudah dibedakan. Situasi ini biasanya muncul dalam kasus-kasus di
mana curve fitting menghasilkan ekspresi seperti untuk karakteristik perilaku
sistem dan dalam sistem kecil, ideal, dan sederhana. Kendala diasumsikan absen
atau diurus dalam mengembangkan fungsi tujuan, seperti yang dibahas
kemudian. Kami sekarang mempertimbangkan menentukan apakah optimal
adalah minimum atau maksimum.
Page 9 of 29
2012
dimana
Oleh karena itu, untuk dua variabel independen, optimal dapat diperoleh
dengan memecahkan U/1 = U /x2 = 0 dan menerapkan kondisi sebelumnya.
Meskipun mirip kondisi dapat diturunkan untuk sejumlah besar variabel, analisis
menjadi cukup terlibat. Oleh karena itu, dalam keadaan paling praktis, yang
melibatkan tiga atau lebih variabel independen, akan lebih mudah dan efisien
bergantung pada sifat fisik dari masalah untuk menentukan apakah maksimum
minimum atau memiliki telah diperoleh. Selain itu, variabel independen dapat
berubah sedikit dekat optimal untuk menentukan apakah nilai meningkat fungsi
objektif atau menurun. Jika nilai berkurang sebagai salah satu bergerak menjauh
dari optimal, maksimal diindikasikan, sedangkan jika itu meningkat, minimal telah
diperoleh.
CONTOH
Biaya per unit massa dari bahan yang diproses di fasilitas ekstrusi diberikan oleh
ekspresi
Page 10 of 29
2012
di mana T adalah temperatur berdimensi dari bahan yang diekstrusi, V adalah laju
aliran volume berdimensi, dan C mencakup modal dan biaya operasional.
Tentukan biaya minimum.
SOLUSI
Karena tidak ada kendala, pendekatan yang diberikan dalam bagian sebelumnya
mungkin diadopsi. Oleh karena itu, lokasi optimal diberikan oleh solusi
persamaan.
Persamaan ini memberikan V* = 1,6930 dan T* = 0,6182. Bila ini diganti dalam
ekspresi untuk C, diperoleh C* = 5,1763. Sekarang turunan kedua mungkin
diperoleh untuk memastikan sifat dari titik kritis. Dengan demikian,
Mensubstitusikan nilai-nilai dari V dan T pada titik stasioner, menghitung ini tiga
derivatif kedua sebagai 1,3544, 23,7023, dan 1,2364, masing-masing. ini
memberikan S = 30,57. Oleh karena itu, S = 0 dan 2C /V2 = 0, menunjukkan
bahwa biaya minimum telah diperoleh.
Page 11 of 29
2012
Oleh karena itu, masalah tak terbatas diperoleh dengan U (x) sebagai fungsi
tujuan.Optimum ini diperoleh dengan mengatur U/x = 0, yang menghasilkan
nilai x. Nilai y yang sesuai secara optimum diperoleh dari Persamaan y dan nilai
optimum U diperoleh dari Persamaan U. Sangat mudah untuk melihat bahwa x*
y* = 1,0 dan U* = 2.0 untuk kasus sederhana ketika semua konstanta dan
eksponen adalah kesatuan.
Dengan demikian, hal ini diinginkan untuk mengurangi jumlah kendala,
yang juga akan mengurangi jumlah variabel yang tidak diketahui dan pengganda
Lagrange, dengan menggunakan kendala persamaan untuk menemukan ekspresi
eksplisit berkaitan variabel. Contoh telah menggambarkan solusi dari masalah
terkendala dengan mengubahnya menjadi satu tak terkendala. Hal ini kemudian
dipecahkan sebagai masalah dibatasi untuk menunjukkan perbedaan antara dua
pendekatan.
dimana U dan Gi adalah vektor gradien, yang dapat diperluas dalam hal
variabel independen n. Oleh karena itu, m + n persamaan diperoleh untuk n variabel
independen dan pengganda m.
Page 12 of 29
2012
Persamaan dapat linear atau nonlinear, dan mungkin melibatkan polinomial atau
fungsi transendental seperti eksponensial, fungsi logaritma, dan hiperbolik. Analytical
metode mungkin digunakan untuk kasus-kasus yang relatif sederhana dengan sejumlah
kecil persamaan. Teknik numerik, dapat digunakan untuk keadaan lebih rumit, yang
biasanya timbul ketika berhadapan dengan sistem termal praktis. Jika hanya ada satu
kendala, G = 0, Hanya satu Pengali Lagrange muncul dan ditentukan dari solusi yang
dihasilkan n + 1 persamaan. Perhatikan, misalnya, masalah optimasi sederhana yang
diberikan oleh:
Hal ini dapat menunjukkan bahwa jika salah satu atau x1 x2 bervariasi dari nilai optimal,
sekaligus memastikan bahwa kendala puas, U fungsi tujuan meningkat. Oleh karena itu,
yang optimum yang diperoleh adalah minimum di U. Dalam kasus sederhana, turunan
kedua juga dapat diturunkan untuk mengkonfirmasi bahwa minimal di U telah diperoleh.
Itu Koefisien sensitivitas Sc = - = 2,027. Hal ini memberi efek santai kendala pada nilai
optimum U. Sebagai contoh, jika x 1x2 = 13, bukan 12, U* dapat dihitung menjadi
38,493, naik dari 2,0. Perbedaan kecil dalam perubahan di U* dari nilai yang dihitung
dari Sc adalah hasil dari persamaan nonlinear yang membuat Sc fungsi dari x1 dan tidak
konstan. Contoh berikut menggambarkan hal ini untuk masalah tangki dianggap
sebelumnya. Memecahkan masalah tangki diberikan sebagai masalah optimasi dibatasi.
Solusi Fungsi tujuan adalah Sebuah wilayah, yang harus diminimalkan, dan kendala
adalah volume V. Dengan demikian, masalah optimasi dapat ditulis sebagai:
2012
yang diberikan oleh - dan, dengan demikian, sama dengan 2,928 pada titik optimum.
Sekali lagi, perbedaan sedikit antara Sc dan A /V adalah karena ketergantungan pada
variabel.
Beberapa kendala
Seperti pada satu kendala, alasan yang sama berlaku. Jika dua atau lebih kendala
aktif bersama-sama, masing-masing memberikan kontribusi arah kendala yang akan
melanggarnya.
Bersama-sama,
"arah
penyimpangan"
membentuk
"ruang
penyimpangan", di mana gerakan kecil dalam segala arah dalam ruang akan
melanggar satu atau lebih kendala. Dengan demikian, untuk memenuhi beberapa
kendala bisa dinyatakakan
(menggunakan terminologi baru) bahwa pada titik
stasioner, bahwa arah perubahan f adalah dalam "ruang penyimpangan" yang
diciptakan oleh kendala bertindak bersama-sama.
Ruang penyimpangan diciptakan oleh kendala terdiri dari semua poin yang dapat
dicapai dengan menambahkan kombinasi linear dari vektor arah penyimpangandengan kata lain, semua poin yang "terjangkau" ketika menggunakan arah
penyimpangan individu sebagai dasar ruang . Dengan demikian, dapat secara singkat
dinyatakan bahwa v berada dalam ruang didefinisikan oleh
hanya jika terdapat satu set "pengganda"
jika dan
yang bagi, kami menerjemahkan tujuan untuk menyatakan bahwa arah yang berubah
f pada p adalah di "ruang penyimpangan" didefinisikan oleh kendala
jika dan hanya jika:
Page 14 of 29
2012
Metode selesai sekarang (dari sudut pandang pemecahan masalah menemukan titik
stasioner) tetapi sebagai matematikawan senang dalam melakukan, persamaan
dapat lebih kental ke dalam bentuk yang lebih elegan dan ringkas. Lagrange harus
cerdik menyadari bahwa persamaan di atas terlihat seperti derivatif parsial dari
beberapa fungsi skalar L besar yang mengambil semua
dan semua
sebagai masukan. Selanjutnya, ia kemudian mungkin telah
memperhatikan bahwa pengaturan setiap persamaan sama dengan nol adalah
persis apa yang harus dilakukan untuk memecahkan titik stasioner tak terbatas dari
fungsi yang lebih besar. Akhirnya, ia menunjukkan bahwa L fungsi yang lebih besar
dengan derivatif parsial yang persis yang dibutuhkan dapat dibangun sangat
sederhana sebagai berikut:
Memecahkan persamaan di atas untuk poin tak terbatas yang stasioner menghasilkan
persis titik stasioner sama dengan pemecahan untuk titik stasioner dibatasi dari f di
bawah kendala
.
Untuk
menghormati
Lagrange,
fungsi
di
atas
disebut
Lagrangian,
skalar
kemudian
Jadi, k adalah laju perubahan kuantitas yang dioptimalkan sebagai fungsi dari
variabel kendala. Sebagai contoh, dalam mekanika Lagrangian persamaan gerak yang
diperoleh dengan mencari titik stasioner dari tindakan , waktu integral dari perbedaan
antara energi kinetik dan potensial. Dengan demikian, gaya pada partikel karena
potensi skalar,
, Dapat diartikan sebagai pengali Lagrange menentukan
Page 15 of 29
2012
perubahan dalam tindakan (transfer potensial menjadi energi kinetik) setelah variasi
dalam lintasan partikel dibatasi. Dalam teori kontrol ini dirumuskan bukan sebagai
persamaan costate.
Selain itu, dengan teorema amplop nilai optimal dari multiplier Lagrange memiliki
interpretasi sebagai efek marginal dari kendala yang sesuai konstan pada nilai dicapai
optimal dari fungsi tujuan aslinya: jika dapat menunjukkan nilai di optimum dengan
tanda bintang, maka dapat ditunjukkan bahwa
Misalnya, di bidang ekonomi keuntungan optimal untuk pemain dihitung tunduk pada
ruang dibatasi tindakan, di mana pengali Lagrange adalah perubahan nilai optimal dari
fungsi tujuan karena relaksasi dari kendala tertentu (misalnya melalui perubahan
Pendapatan), dalam konteks seperti
adalah biaya marjinal dari kendala tersebut,
dan disebut sebagai harga bayangan .
Contoh 1
.
Page 16 of 29
2012
dan
, Di mana
Yang
berarti
bahwa
titik
, Sehingga
stasioner
yang
dan
Contoh 2
Page 17 of 29
, Dan minimum
2012
dengan kondisi bahwa x dan y koordinat terletak pada lingkaran di sekitar asal dengan
jari-jari, 3 yaitu, tunduk pada kendala
Karena hanya ada satu kendala tunggal, akan menggunakan hanya satu multiplier,
katakanlah .
Kendala g (x, y) -3 sama dengan nol pada lingkaran dengan jari-jari 3. Jadi apapun
-3 beberapa g (x, y) dapat ditambahkan ke f (x, y) meninggalkan f (x, y) tidak
berubah di daerah bunga (di atas lingkaran di mana kendala asli kami puas). Mari
atau = -
Oleh karena itu, fungsi tujuan mencapai yang maksimum global (tunduk pada
batasan) pada
Intinya
adalah
lokal
dan
adalah
sebuah
maksimum
lokal
2012
sebagaimana
lokal.
Kami
memiliki
setiap lingkungan
, Dapat memilih positif kecil
dan kecil
satu tanda untuk mendapatkan
nilai baik besar dan kurang dari .
Mengingat
dari salah
Tergantung pada karakter u fungsi dan nilai-nilai p dan w, mungkin memiliki p x <w
atau p x = w pada solusi dari masalah ini.
Salah satu pendekatan untuk memecahkan masalah ini dimulai dengan menentukan
mana dari kedua kondisi memegang sebuah solusi. Dalam masalah yang lebih
kompleks, dengan lebih dari satu kendala, pendekatan ini tidak bekerja dengan baik.
Perhatikan, misalnya, seorang konsumen yang menghadapi dua kendala (mungkin
uang dan waktu). Tiga contoh yang ditampilkan pada gambar 7 berikut, yang harus
meyakinkan Anda bahwa tidak dapat menyimpulkan dari sifat sederhana u sendiri
yang dari kendala, jika ada, sesuai dengan kesetaraan di solusi.
Page 19 of 29
2012
..., x
1,
n),
dan
Semua masalah yang telah dipelajari sejauh dapat dimasukkan ke dalam bentuk ini.
Kendala Kesetaraan
Dapat diperkenalkan kendala ketidaksetaraan dua untuk setiap kendala kesetaraan.
Misalnya, masalah
max
Kendala Nonnegativity
Untuk masalah dengan kendala x
beberapa j.
0 misalkan g
(x) = - x
dan c
= 0 untuk
Masalah Minimisasi
Untuk masalah minimisasi diperoleh dengan mengalikan fungsi obyektif dengan -1:
min
Ada dua kemungkinan solusi dari masalah ini. Pada gambar berikut, kurva tertutup
hitam kontur f, nilai peningkatan fungsi dalam arah yang ditunjukkan oleh panah biru.
Garis miring ke bawah merah adalah himpunan titik-titik x memuaskan g (x) = c,
himpunan poin x memuaskan g (x) c terletak di bawah dan kiri dari garis, dan
mereka g memuaskan (x) c terletak di atas dan di sebelah kanan baris.
Page 20 of 29
Dalam setiap panel solusi dari masalah adalah titik x*. Pada panel sebelah kiri kendala
mengikat pada solusi: perubahan dalam c mengubah solusi. Pada panel sebelah
kanan, kendala yang kendur di solusinya: perubahan kecil dalam c tidak berpengaruh
pada solusi.
Seperti sebelumnya , menentukan fungsi Lagrangian L oleh
L (x) = f (x) - (g (x) - c).
Kemudian dari analisis kami sebelumnya masalah dengan kendala kesetaraan dan
tanpa kendala,
jika g (x*) = c (seperti dalam panel kiri) dan kendala memenuhi kondisi
keteraturan, kemudian 'Li (x*) = 0 untuk semua i
jika g (x*) <c (seperti dalam panel kanan), maka f i '(x*) = 0 untuk semua i.
Sekarang, saya menyatakan bahwa dalam kasus pertama (yaitu, jika g (x*) = c)
dengan memiliki 0. Misalkan, sebaliknya, yang <0. Kemudian diketahui bahwa
penurunan kecil di c meningkatkan nilai maksimal f. Artinya, bergerak x* dalam
kendala meningkatkan nilai f, bertentangan dengan fakta bahwa x* adalah solusi dari
masalah.
Dalam kasus kedua, nilai tidak memasuki kondisi, sehingga dapat memilih nilai
untuk itu. Mengingat interpretasi , pengaturan = 0 masuk akal. Dengan asumsi ini
memiliki fi'(x) = L'i (x) untuk semua x, sehingga L'i (x*) = 0 untuk semua i.
Jadi dalam kedua kasus kami memiliki L'i (x*) = 0 untuk semua i, 0, dan g (x*)
c. Dalam kasus pertama memiliki g (x*) = c dan dalam kasus kedua = 0.
Selanjutnya dapat menggabungkan dua kasus dengan menulis kondisi sebagai berikut
Li'(x*) = 0 untuk j = 1, ..., n
0, g (x*) c, dan baik = 0 atau g (x*) - c = 0.
Sekarang, produk dari dua angka adalah nol jika dan hanya jika setidaknya salah satu
dari mereka adalah nol, jadi alternatif bisa menulis kondisi sebagai
Page 21 of 29
2012
2012
Definisi
Kondisi Kuhn-Tucker untuk masalah
max
adalah
L i '(x)
= 0 untuk i = 1, ..., n
= 0 untuk j = 1, ..., m,
j]
dimana
L (x) = f (x) -
j=1
j (j
g (x) - c
j).
Kondisi ini dinamai untuk menghormati Harold W. Kuhn, seorang anggota emeritus
dari Princeton Matematika Departemen, dan Albert W. Tucker , yang pertama kali
merumuskan dan mempelajari kondisi.
Dalam bagian berikut saya mendiskusikan hasil yang menentukan hubungan yang
tepat antara solusi dari Kuhn-Tucker kondisi dan solusi dari masalah. Contoh berikut
menggambarkan bentuk kondisi dalam kasus tertentu.
Contoh
Pertimbangkan masalah
max
x 1, x 2
[- (x
- 4)
- (x
- 4)
2]
tunduk x
Page 22 of 29
+x
4 dan 3 x
+x
9,
2012
Kami memiliki
L (x
1,
2)
= - (x
- 4)
- (x
- 4)
(x
+x
- 4) -
(3 x
+x
- 9) .
Kondisi Kuhn-Tucker
-2 (X
- 4) -
-2 (X
- 4) -
+x
3x
+x
4,
2
9,
3
2
0, dan
2
0, dan
(x
2
+x
(3 x
- 4)
+x
- 9)
0.
di
mana
adalah
variabel
optimasi,
adalah
tujuan
atau
fungsi
kendala
biaya,
adalah
kesetaraan
Kondisi Perlu
Misalkan bahwa fungsi tujuan
dan
dan
2012
Stasioneritas
Kelayakan Primal
Kelayakan Ganda
ketidaksetaraan,
maka
tidak
dan
ada
urutan
.
Page 24 of 29
sehingga
sehingga
2012
tidak
Hal ini dapat ditunjukkan bahwa licq MFCQ CPLD QNCQ, licq CRCQ CPLD
QNCQ (dan converses yang tidak benar), meskipun MFCQ tidak setara dengan CRCQ.
Dalam prakteknya kualifikasi kendala lemah lebih disukai karena mereka memberikan
kondisi optimalitas kuat.
Kondisi Cukup
Dalam beberapa kasus, kondisi yang diperlukan juga cukup untuk optimalitas. Secara
umum, kondisi yang diperlukan tidak cukup untuk optimalitas dan informasi tambahan
yang diperlukan, seperti Kondisi Orde Kedua Cukup (SOSC). Untuk fungsi mulus,
SOSC melibatkan derivatif kedua, yang menjelaskan namanya.
Kondisi yang diperlukan adalah cukup untuk optimalitas jika fungsi tujuan dan
kendala ketimpangan
dapat didiferensiasi secara kontinu fungsi cembung dan
kendala kesetaraan
Hal ini ditunjukkan oleh Martin pada tahun 1985 bahwa kelas yang lebih luas dari
fungsi di mana kondisi KKT menjamin optimalitas global disebut Tipe 1 fungsi Invex
.
Ekonomi
Seringkali dalam matematika ekonomi pendekatan KKT digunakan dalam model
teoritis untuk memperoleh hasil kualitatif. Sebagai contoh, pertimbangkan sebuah
perusahaan yang memaksimalkan subjek penjualan untuk kendala keuntungan
minimum. Membiarkan Q menjadi kuantitas output yang dihasilkan (untuk dipilih), R
(Q) akan penjualan dengan turunan pertama positif dan dengan nilai nol nol output, C
(Q) menjadi biaya produksi dengan turunan pertama positif dan dengan non-negatif
nilai nol pada output, dan
menjadi tingkat yang dapat diterima positif minimal
keuntungan , maka masalahnya adalah satu bermakna jika tingkat fungsi pendapatan
off sehingga akhirnya kurang curam daripada fungsi biaya. Masalah dinyatakan dalam
bentuk minimisasi sebelumnya diberikan adalah
Memperkecil
tunduk
dan
2012
Karena Q = 0 akan melanggar kendala keuntungan minimum, kami telah Q> 0 dan
karenanya kondisi ketiga menyiratkan bahwa kondisi pertama memegang dengan
kesetaraan. Memecahkan kesetaraan yang memberikan
Fungsi Nilai
Jika kembali ke masalah optimasi sebagai masalah maksimisasi dengan kendala
ketimpangan konstan,
)
Page 26 of 29
Page 27 of 29
2012
2012
REFERENSI
Edgar, T F. And DM Himmelblau. 2001. Optimization Of Chemical Processes, Second
Edition. Mcgraw-Hill. New York.
Jaluria, Yogesh. 2008. Design and optimization of thermal systems 2nd ed. CRC Press.
USA
Jelen, FC. 1985. Cost and Optimization Engineering. Second edition. McGraw-Hill. New
York.
http://www.economics.utoronto.ca/osborne/MathTutorial/MEN.HTM#Lagrangean
http://www.economics.utoronto.ca/osborne/index.html
http://en.wikipedia.org/wiki/KarushKuhnTucker conditions
http://en.wikipedia.org/wiki/Lagrange_multiplier.htm. 22 October 2012
PROPAGASI
2.
Tangki silinder dirancang untuk menyimpan air hangat dari system kolektor
surya. Volume diberikan adalah 2 m3 dan luas permukaan diminimalkan untuk
meminimasi kelhilangan panas ke sekeliling. Selesaikan maslah optimasi ini
dengan keadaan tidak berkendala.
Kendala
2x + y 1
-x +2y 4
x0
y0
Min 2 x1 3x2 4 x1 x2 8 x1 6 x2 8
Kendala x1 x2 1
Page 28 of 29
A.
B.
2012
QUIZ - (Evaluasi)
Page 29 of 29