Kelompok 2:
JURUSAN MATEMATIKA
2017
STANDAR KOMPETENSI
Standar
Kompetisi Dasar Indikator
Kompetisi
2.1 Vektor dan Mahasiswa mampu
Matriks memahami definisi
vektor dan matriks
Mahasiswa mampu
menyelesaikan berbagai
persoalan vektor dan
matriks
2.2 Rank Matriks Mahasiswa mampu
Bab 2. memahami rank matriks
Ruang dan dapat menyelesaikan
Vektor Dan persoalannya
Matriks 2.3 Persamaan Mahasiswa mampu
memahami persamaan
Linear linier
2.4 Perkalian
Mahasiswa mampu
Dalam dan mengoperasikan matriks
dan vektor dengan
Panjang menggunakan perkalian
dalam dan panjang
Standar Kompetensi
BAB 2 Ruang Vektor dan Matriks
2.1 Vektor dan Matriks
2.2 Rank Matriks
2.3 Persamaan Linear
2.4 Perkalian Dalam dan Panjang
BAB 12 Penyelesaian Persamaan Linier
12.1 Analisis Kuadrat Terkecil
12.2 Algoritma Kuadrat Terkecil Rekursif
12.3 Solusi untuk Persamaan Linear dengan Bentuk Minimum
12.4 AlgoritmaKaczmarz
12.5 Memecahkan Persamaan Linear Secara Umum
BAB 22 Memahami Masalah Optimisasi Konveks
22.1 Pendahuluan
22.2 Fungsi Konveks
22.3 Masalah Optimisasi Convex
22.4 Pemrograman Semidefinite
Rangkuman
Suggestion Reading
Latihan
Daftar Istilah
BAB 2
RUANG VEKTOR DAN MATRIKS
a1
a
a 2
a n
a1 , a2 ,..., an .
Maka
a T a1 , a 2 ,..., a n .
a b a1 b1 , a2 b2 ,..., an bn .
T
a+0=0+a=a
Vektornya
a1 b1 , a2 b2 ,..., an bn T
disebut perbedaan antara a dan b dan dinotasikan a - b.
Vektor 0 - b dinotasikan - b. Perhatikan bahwa
Vektor b-a adalah solusi unik dari persamaan vektor.
b ( a b) a,
(b) b,
(a b) b a.
Kemudian,
a1 x1 b1 ,
a 2 x 2 b2 ,
a n bn bn ,
Dan dengan demikian
x b a.
Kami mendefinisikan operasi perkalian vektor a𝝐ℝ𝒏
dengan skalar riil 𝑎𝜖ℝ sebagai
3. Skalar 1 memenuhi
1a a.
4. Setiap skalar α memenuhi
a0 0
5. Skalar 0 memenuhi
0a 0
6. Skalar -1 memenuhi
(1)a a
Perhatikan bahwa αa=0 jika dan hanya jika α=0 atau a=0.
Amati bahwa αa=0 sama dengan αa = αa2 = ··· = αan = 0.
Jika α=0 atau a=0, maka αa=0. Jika a≠0, maka setidaknya
satu dari komponen ak≠0. Untuk komponen ini, αak=0, dan
karenanya kita harus memiliki α=0. Argumen serupa dapat
diterapkan pada kasus ketika α≠0.
a a1 a1 a 2 a 2 a k a k
a a1 a1 a 2 a 2 a k a k ,
1 0 0
0 1 0
0 0 0
e1 , e2 , ..., en
0 0 0
0 0 1
Basis alaminya adalah
x1
x
x 2 x1e1 x 2 e 2 x n e n
xn
Kita juga bisa mendefinisikan ruang vektor kompleks.
Untuk ini, ℂ notasi himpunan bilangan kompleks dan ℂn
himpunan vektor n-kolom dengan komponen kompleks.
Matriks adalah kumpulan bilangan persegi panjang, yang
biasanya dilambangkan dengan huruf tebal huruf besar
(mis., A). Matriks dengan m baris dan n kolom disebut
matriks m × n, dan kita menulis
a11 a12 a1n
a a 22 a 2n
A 21
a m1 a m 2 a mn
a11 a 21 a m1
a a 22 a m 2
T 12
A ;
a1n a 2 n a mn
Perhatikan matriks m × n
a1k
a
a k 2k
a mk
Jumlah maksimal kolom bebas linear dari A disebut
rangking matriks A, dinotasikan rank A. Perhatikan bahwa
rank A adalah dimensi membentang [a1, ..., an].
3. Misalkan
1 0 0
0 1 0
I n e1 , e2 ,..., en
0 0 1
dimana {e1, ..., en} adalah dasar alami untuk ℝn. Maka
det In = 1.
x1 a1 x 2 a 2 x n a n b,
dimana
a ij b1
a b
aj 2j
, b 2
a mj bm
x1
x
x 2
xn
a jika a 0
a
a jika a 0.
Rumus berikut ini:
1. | a | = | -a |.
2. - | a | ≤ a ≤ | a |.
3. | a + b | ≤ | a | + | b |.
4. || a | - | b || ≤ | a - b | ≤ | a | + | b |.
5. | ab | = | a || b |.
6. | a | ≤ c dan | b | ≤ d menyiratkan bahwa | a + b | ≤ c +
d.
7. Ketidaksamaan | a | <b sama dengan -b <a <b (yaitu, a
<b dan -a <b).
Hal yang sama berlaku jika kita mengganti setiap
kejadian "<" oleh "≤."
8. Ketidaksamaan | a | > b sama dengan a> b atau -a> b.
Hal yang sama berlaku jika kita mengganti setiap
kemunculan ">" oleh "≥."
Untuk x, y, ℝn, kita mendefinisikan produk dalam
Euclidean oleh
n
x, y xi y i x T y.
i 1
x ( x, x) xT x .
Teorema 2.3 Ketidakseimbangan Cauchy-Schwarz.
Untuk dua vektor x dan y dalam ℝn, ketidaksamaan
Cauchy-Schwarz
( x, y) x y .
n
perkalian dalam (x, y) menjadi i 1
xi yi , di mana bar
𝑨x= b,
||𝑨x||2 = 𝒙⊺ 𝑨⊺ 𝑨x = 0,
= 0,
Karena itu,
〈𝒆, 𝒂𝒊 〉 = 0 , i = 1, ..., n
〈𝒉, 𝒂𝒊 〉 = 〈𝒃, 𝒂𝒊 〉.
a1 , a1 a n , a1 x1 b, a1
=
a1 , a n an , an x n b, a n
a1 , a1 a n , a1 a1T
= 𝐴𝑇 𝐴 =
a1 , a n an , an a nT
a1 an .
x1
x AT A AT b x *
1
xn
a1 , a1 a n , a1
A A
T
a1 , a n an , an
x * AT A 1 AT b
10.6
=
0.961
−1
𝐺𝑘+1 = (𝐺𝑘 + 𝐴𝑇𝑘+1 𝐴𝑘+1 )−1
1 0 1
A0 0 1 b ( 0) 1
1 1 1
A2 a2T 3 1 , b ( 2) b2 4.
Kita punya
2 / 3 1 / 3
P0 A0T A0
1 / 3 2 / 3
2 / 3
x ( 0) P0 A01b ( 0)
2 / 3
P0 a1a1T P0 1 / 3 1 / 3
P1 P0 = ,
1 a1 P0 a1 1 / 3 2 / 3
T
1
x (1) x ( 0) P1a1 b1 a1T x (0) = ,
2 / 3
P1a 2 a 2T P1 1 / 6 1 / 4
P2 P1 = ,
1 a 2 P1a 2 1 / 4 5 / 8
T
13 / 12
x ( 2) x (1) P2 a2 b2 a2T x (1) =
5/8
x * AT AAT
1
b.
Buktikan.Misalkan x * AT AAT
1
b. Perhatikanbahwa
x
2
x x* x* 2
= x x* x* x x x
T * *
= x x * + x * + 2 x * x x *
2 2 T
sekarangkitamenunjukkanbahwa
x* ( x x* ) 0
T
bahkan,
x* ( x x* ) = AT ( AAT ) 1 b x AT ( AAT ) 1 b
T T
= bT ( AAT ) 1 Ax ( AAT )( AAT ) 1 b
= bT ( AAT ) 1 b b 0 .
jadi,
2 2
x* x x* .
2
x
karena
2
x x* 0 untuksemua𝑥 ≠ 𝑥 ∗ , dan untuk semua itu
𝑥 ≠ 𝑥∗,
2
x* ,
2
x
yangberartibahwa
x x*
x1 2 x2 x3 1,
4 x1 x2 3x3 0.
x
bagianterkecil
bergantungpada Ax b,
dimana
1 2 1 1
A , b
4 1 3 0
0.0952
x A ( AA ) b 0.3333
* T T 1
0.2381
1 1 2
A ,b .
0 1 3
x * 5, 3 Gambar
T
Padakasusini, 12.4 menunjukkan
beberapa iterasi algoritma Kaczmarz dengan μ = 1 dan
x ( 0 ) 0 . Kita punya a1T 1, 1, a2 0 1, b1 2, b2 3.
0 11 1
x (1) (2 0) ,
0 2 1 1
1 0 1
x ( 2 ) (3 (1)) ,
1 1 3
1 1 1 3
x ( 3) (2 (2))
3 2 1 1
Seperti Gambar 12.4 mengilustrasikan, sifat
𝑎ℛ(𝑘)+1 (𝑥 (𝑘+1) − 𝑥 ∗ ) = 0
2 1 2 5
A 1 0 3 2
3 1 13 5
2 1
1 0 3 2
A 1 0 BC .
0 1 4 1
3 1
𝑨 𝑿 𝑨 = 𝑨.
22.1 Pendahuluan
𝑧 = 𝛼𝑦1 + (1 − 𝛼)𝑦2 ∉ Ω
diberikan
𝛽1 = 𝑓(𝑦1 ), 𝛽2 = 𝑓(𝑦2 )
Lalu, pasang
𝑦1 𝑦2
[𝛽 ] , [𝛽 ]
1 2
𝑦1 𝑦2
𝓌 = 𝛼 [𝛽 ] + (1 − 𝛼) [𝛽 ]
1 2
kita mempunyai
𝑧
𝓌 = [𝛼𝛽 + (1 − 𝛼)𝛽 ]
1 2
𝑓(𝑥) ≤ 𝑎, 𝑓(𝑦) ≤ 𝑏.
𝛼𝑥 + (1 − 𝛼)𝑦
[ ] 𝜖 𝑒𝑝𝑖(𝑓),
𝛼𝑎 + (1 − 𝛼)𝑏
𝑓(𝑥) = 𝑎, 𝑓(𝑦) = 𝑏.
sehingga,
𝑥 𝑦
[ ] , [ ] ∈ 𝑒𝑝𝑖(𝑓).
𝑎 𝑏
𝑥 𝑦 𝛼𝑥 + (1 − 𝛼)𝑦
𝛼 [ ] + (1 − 𝛼) [ ] = [ ] ∈ 𝑒𝑝𝑖(𝑓).
𝑎 𝑏 𝛼𝑎 + (1 − 𝛼)𝑏
𝑓3 (𝛼𝑥 + (1 − 𝛼)𝑦)
= 𝑓1 (𝛼𝑥 + (1 − 𝛼)𝑦) + 𝑓2 (𝛼𝑥 + (1 − 𝛼)𝑦)
≤ (𝛼𝑓1 (𝑥) + (1 − 𝛼)𝑓1 (𝑦)) +
(𝛼𝑓2 (𝑥) + (1 − 𝛼)𝑓2 (𝑦))
2−𝛼
𝛼𝑥 + (1 − 𝛼)𝑦 = [ ].
1+𝛼
dan
𝑎𝑓(𝑥) + (1 − 𝛼)𝑓(𝑦) = 2.
1
Jika, misalnya, 𝛼 = 2 ∈ (0,1), maka
1 1 9 1 1
𝑓 ( 𝑥 + 𝑦) = > 𝑓(𝑥) + 𝑓(𝑦),
2 2 4 2 2
Yang menunjukkan bahwa f tidak konveks di Ω .
1 0 1
𝑄 = 2[ ].
1 0
−1
𝑦−𝑥 =[ ]
1
dan
1
(𝑦 − 𝑥)𝑇 𝑄(𝑦 − 𝑥) = [−1.1] [1 0 −1
] [ ] = −1 < 0.
2 0 1 1
𝑓(𝑥+𝛼(𝑦−𝑥))−𝑓(𝑥)
≤ 𝑓(𝑦) − 𝑓(𝑥).
𝛼
atau
𝑤 = 𝛼𝑢 + (1 − 𝛼)𝑣 ∈ Ω.
dan
𝛼𝑓(𝑢) + (1 − 𝛼)𝑓(𝑣)
≥ 𝑓(𝑤) + 𝐷𝑓(𝑤)(𝛼𝑢 + (1 − 𝛼)𝑣 − 𝑤)
tetapi
𝑤 = 𝛼𝑢 + (1 − 𝛼)𝑣.
1
𝑓(𝑦) = 𝑓(𝑥) + 𝐷𝑓(𝑥)(𝑦 − 𝑥) + 2 (𝑦 − 𝑥)𝑇 𝐹(𝑥 +
1 1
𝑦𝑛 = 𝑦 + (1 − ) 𝑥 ∗
𝑛 𝑛
Γ𝑐 = {𝑥 ∈ Ω: 𝑔(𝑥) ≤ 𝑐}
adalah himpunan konveks.
𝑐 = min 𝑓(𝑥).
𝑥∈Ω
𝑑 𝑇 ∇𝑓(𝑥 ∗ ) ≥ 0.
𝑥 ∗ + 𝛼(𝑥 − 𝑥 ∗ ) = 𝛼𝑥 + (1 − 𝛼)𝑥 ∗ ∈ Ω
untuk semua 𝛼 ∈ (0,1). Oleh karena itu, vektor 𝑑 = 𝑥 − 𝑥 ∗
adalah arah yang layak pada 𝑥 ∗ (lihat Definisi 6.2). Dengan
asumsi,
∇𝑓(𝑥 ∗ ) = 0.
𝑚𝑖𝑛𝑖𝑚𝑖𝑧𝑒 𝑓(𝑥)
𝑠𝑢𝑏𝑗𝑒𝑐𝑡 𝑡𝑜 ℎ(𝑥) = 0
ℎ(𝑥) = 𝐴𝑥 − 𝑏.
Teorema berikut menyatakan bahwa yang disediakan set
yang layak adalah konveks, kondisi Lagrange adalah Cukup
untuk satu titik menjadi minimizer.
Ω = {𝑥 ∈ ℝ𝑛 ∶ ℎ(𝑥) = 0},
karenanya,
𝑓(𝑥) ≥ 𝑓(𝑥 ∗ ),
𝑚𝑖𝑛𝑖𝑚𝑖𝑧𝑒 𝑓(𝑥)
𝑠𝑢𝑏𝑗𝑒𝑐𝑡 𝑡𝑜 ℎ(𝑥) = 0
𝑔(𝑥) ≤ 0
1. 𝜇 ∗ ≥ 0.
2. 𝐷𝑓(𝑥 ∗ ) + 𝜆∗𝑇 𝐷ℎ(𝑥 ∗ ) + 𝜇 ∗𝑇 𝐷𝑔(𝑥 ∗ ) = 0𝑇 .
3. 𝜇 ∗𝑇 𝑔(𝑥 ∗ ) = 0.
𝑚𝑎𝑥𝑖𝑚𝑖𝑧𝑒 𝑐 𝑇 𝑥
𝑠𝑢𝑏𝑗𝑒𝑐𝑡 𝑡𝑜 𝑒 𝑇 𝑥 ≤ 𝐷
𝑥 ≥ 0,
−𝑐 𝑇 + 𝜇 (1) 𝑒 𝑇 − 𝜇 (2)𝑇 = 0,
𝜇 (1) (𝑒 𝑇 𝑥 ∗ − 𝐷) = 0,
𝜇 (2)𝑇 𝑥 ∗ = 0,
𝑒 𝑇 𝑥 ∗ − 𝐷 ≤ 0,
−𝑥 ∗ ≤ 0,
𝜇 (1) ≥ 0,
𝜇 (2) ≥ 0,
𝑒 𝑇 𝑥 ≤ 𝐷,
𝑥 ≥ 0,
𝐹𝑖 = 𝐹𝑖𝑇 ∈ ℝ𝑚 𝑥 𝑚 , 𝑖 = 0,1, … , 𝑛
𝑥 = [𝑥1 , … , 𝑥𝑛 ]𝑇 ∈ ℝ𝑛 .
Kemudian,
𝐹(𝑥) = 𝐹0 + 𝑥1 𝐹1 + ⋯ + 𝑥𝑛 𝐹𝑛
= 𝐹0 + ∑ 𝑥𝑖 𝐹𝑖
𝑖=1
𝑏𝑖 − 𝑎𝑖𝑇 𝑥 ≥ 0, 𝑖 = 1,2, … , 𝑚,
Matriks
𝑚𝑖𝑛𝑖𝑚𝑖𝑧𝑒 𝑐 𝑇 x
𝑠𝑢𝑏𝑗𝑒𝑐𝑡 𝑡𝑜 𝐹(𝑥) ≥ 0.
itu adalah,
Demikian pula,
𝐴 𝐵
[ ]
𝐵𝑇 𝐷
𝐴 𝐵
[ ]≥
𝐵𝑇 𝐷
0 𝐼 𝐴 𝐵 0 𝐼
0 𝑗𝑖𝑘𝑎 𝑑𝑎𝑛 ℎ𝑎𝑛𝑦𝑎 𝑗𝑖𝑘𝑎 [ ][ ][ ] ≥ 0,
𝐼 0 𝐵𝑇 𝐷 𝐼 0
[
𝐴 𝐵
] ≥ 0 𝑗𝑖𝑘𝑎 𝑑𝑎𝑛 ℎ𝑎𝑛𝑦𝑎 𝑗𝑖𝑘𝑎 [𝐷 𝐵 𝑇 ] ≥ 0.
𝐵𝑇 𝐷 𝐵 𝐴
𝐴11 𝐴12
[ ],
𝐴21 𝐴22
Dimana 𝐴11 dan 𝐴22 adalah submatriks persegi. Misalkan
matriks 𝐴11 dapat dibalik. Lalu, kita punya
𝐼 0 𝐴11 𝐴12 𝐼 −1
−𝐴11 𝐴12 ] =
[ −1 ][ ][
−𝐴21 𝐴11 𝐼 𝐴21 𝐴22 0 𝐼
𝐴11 0
[ −1 ].
0 𝐴22 − 𝐴21 𝐴11 𝐴12
Membiarkan
−1
△11 = 𝐴22 − 𝐴21 𝐴11 𝐴12 ,
dimana
−1 𝑇
△11 = 𝐴22 − 𝐴21 𝐴11 𝐴21
Karenanya,
𝐴11 𝐴𝑇21 𝐴 0
[ ] > 0 𝑗𝑖𝑘𝑎 𝑑𝑎𝑛 ℎ𝑎𝑛𝑦𝑎 𝑗𝑖𝑘𝑎 [ 11 ] > 0;
𝐴21 𝐴22 0 △11
itu adalah,
𝐴11 𝐴𝑇21
[ ] > 0 𝑗𝑖𝑘𝑎 𝑑𝑎𝑛 ℎ𝑎𝑛𝑦𝑎 𝑗𝑖𝑘𝑎 𝐴11 > 0 𝑑𝑎𝑛 △11 >
𝐴21 𝐴22
0.
Diberikan
𝐴11 𝐴12
[ ],
𝐴21 𝐴22
𝐴11 𝐴𝑇21
[ ] > 0 𝑗𝑖𝑘𝑎 𝑑𝑎𝑛 ℎ𝑎𝑛𝑦𝑎 𝑗𝑖𝑘𝑎 𝐴22 > 0 𝑑𝑎𝑛 △22 >
𝐴21 𝐴22
0.
−𝐴𝑇 𝑃 − 𝑃𝐴 > 0
𝑃 0
[ ] > 0;
0 −𝐴𝑇 𝑃 − 𝑃𝐴
𝑥1 𝑥2 … 𝑥𝑚
𝑥2 𝑥𝑚+1 … 𝑥2𝑚−1
𝑃=[ ⋮ ⋮ ],
⋱ ⋮
𝑥𝑚 𝑥2𝑚−1 ⋯ 𝑥𝑛
dimana
𝑛 = 𝑚(𝑚+1)
2
.
0 1 0 ⋯ 0
1 0 0 ⋯ 0
𝑃2 = 0 0 0 ⋯ 0,
⋮ ⋮ ⋮ ⋱ ⋮
[0 0 0 ⋯ 0]
0 0 0 ⋯ 0
0 0 0 ⋯ 0
𝑃𝑛 = 0 0 0 ⋯ 0.
⋮ ⋮ ⋮ ⋱ ⋮
[0 0 0 ⋯ 1]
𝐹𝑖 = −𝐴𝑇 𝑃𝑖 − 𝑃𝑖 𝐴, 𝑖 = 1,2, … , 𝑛.
𝐴𝑇 𝑃 + 𝑃𝐴 = 𝑥𝑖 (𝐴𝑇 𝑃1 + 𝑃1 𝐴) + 𝑥2 (𝐴𝑇 𝑃2 + 𝑃2 𝐴) + ⋯
+ 𝑥𝑛 (𝐴𝑇 𝑃𝑛 + 𝑃𝑛 𝐴)
= −𝑥1 𝐹1 − 𝑥2 𝐹2 − ⋯ − 𝑥𝑛 𝐹𝑛 < 0
Membiarkan
𝐹(𝑥) = 𝑥1 𝐹1 + 𝑥2 𝐹2 + ⋯ + 𝑥𝑛 𝐹𝑛 .
Kemudian,
𝑃 = 𝑃𝑇 > 0 𝑑𝑎𝑛 𝐴𝑇 𝑃 + 𝑃𝐴 < 0
𝐹(𝑥) > 0
LMI pemecah
setlmis ( [ ] )
lmivar
kmiterm
lmiterm
getlmis
feasp
dec2mat
X = lmivar (type,structure)
Tipe input menentukan struktur dari variabel X. Mungkin
ada tiga struktur variabel matriks. Bila tipe = 1, kita
memiliki matriks matriks diagonal simetris. Tipe input = 2
mengacu pada variabel matriks persegi panjang penuh.
Akhirnya, tipe = 3 mengacu pada kasus lain. Struktur
masukan kedua memberi informasi tambahan mengenai
struktur variabel matriks X. Misalnya, variabel matriks X
bisa berbentuk
𝐷1 𝑂 … 𝑂
𝑂 𝐷2 … 𝑂
𝑋=[ ],
⋮ ⋮ ⋱ ⋮
𝑂 𝑂 … 𝐷𝑟
X = lmivar(1,[3 1])
X = lmivar(2,[2 3])
𝐷1 = 𝑠1 𝐼2.
lmiterm(termind,A,B,flag)
𝑨𝑿𝑩 + (𝑨𝑿𝑩)𝑻 .
𝑷𝑨 + (𝑷𝑨)𝑻 ≤ 𝟎.
[tmin,xfeas]= feas(lmis)
𝑓𝑖𝑛𝑑 𝑥
𝑠𝑢𝑐ℎ 𝑡ℎ𝑎𝑡 𝐿(𝑥) ≤ 𝑅(𝑥),
𝑚𝑖𝑛𝑖𝑚𝑧𝑒 𝑡
𝑠𝑢𝑏𝑗𝑒𝑐𝑡 𝑡𝑜 𝐿(𝑥) ≤ 𝑅(𝑥) + 𝑡𝐼.
P = dec2mat(lmis,xfeas,P).
−1 0 −2 0
𝐴1 = [ ] dan 𝐴2 = [ ].
0 −1 1 −1
𝐴𝑇2 𝑃 + 𝑃𝐴2 ≤ 0.
𝑚𝑖𝑛𝑖𝑚𝑖𝑧𝑒 𝑐 𝑇 𝑥
𝑠𝑢𝑏𝑗𝑒𝑐𝑡 𝑡𝑜 𝐴(𝑥) ≤ 𝐵(𝑥).
𝑚𝑖𝑛𝑖𝑚𝑖𝑧𝑒 𝑐 𝑇 𝑥
𝑠𝑢𝑏𝑗𝑒𝑐𝑡 𝑡𝑜 𝐴𝑥 ≤ 𝑏,
dimana
𝑐 𝑇 𝑥 = [4 5],
1 1 8
𝐴 = [1 3] , 𝑏 = [18].
2 1 14
−64,3996
𝑥𝑓𝑒𝑎𝑠𝑝 = [ ].
−25,1712
3,0000
𝑥𝑚𝑖𝑛𝑐𝑥 = [ ].
5,0000
𝑐 𝑇 𝑥 = 𝑡𝑟𝑎𝑐𝑒(𝑃).
q = decnbr(lmisys);
c = zeros(q,1);
for j = 1:q
Pj = defcx(lmisys,j,P);
c(j) = trace(Pj);
end
[lopt,xopt] = gep{lmisys,nflc}
Hasilnya adalah
RANGKUMAN
BAB 2
Ruang Vektor dan Matriks
a1 , a2 ,..., an .
Perhatikan matriks m × n
q11 a12 a1n
a a 22 a 2 n
A 21
a m1 am2 a mn
a1k
a
a k 2k
a mk
Jumlah maksimal kolom bebas linear dari A disebut
rangking matriks A, dinotasikan rank A. Perhatikan bahwa
rank A adalah dimensi membentang [a1, ..., an].
x1 a1 x 2 a 2 x n a n b,
dimana
a ij b1
a b
aj 2j
, b 2
a mj bm
dimana
x1
x
x 2
xn
x ( x, x) xT x .
BAB 12
Penyelesaian persamaan linier
12.1 Analisis Kuadrat Terkecil
Teorema 12.1 Vektor unik x* yang meminimalkan ||𝑨x - b||2
diberikan solusi terhadap persamaan 𝑨⊺ 𝑨x = 𝑨⊺ b; yaitu, x* =
(𝑨⊺ 𝑨)-1 𝑨⊺ b.
= 0,
Karena itu,
0.3 0.1 5
A 0.4 0.2 , b 3
0.3 0.7 4
x * AT A 1 AT b
10.6
=
0.961
1 0 1
A0 0 1 b 1
(0)
A2 a2T 3 1 , b ( 2) b2 4.
Kita punya
2 / 3 1 / 3
P0 A0T A0
1 / 3 2 / 3
2 / 3
x ( 0) P0 A01b ( 0)
2 / 3
Menerapkan algoritma KTR dua kali, kita dapatkan
P0 a1a1T P0 1 / 3 1 / 3
P1 P0 = ,
1 a1 P0 a1 1 / 3 2 / 3
T
1
x (1) x ( 0) P1a1 b1 a1T x (0) =
,
2 / 3
P1a 2 a 2T P1 1 / 6 1 / 4
P2 P1 = ,
1 a 2 P1a 2 1 / 4 5 / 8
T
13 / 12
x ( 2) x (1) P2 a2 b2 a2T x (1) =
5/8
A0 b ( 0 )
A A1 , b b (1)
A2 b ( 2 )
x * AT AAT 1
b.
Buktikan.Misalkan x * AT AAT
1
b. Perhatikanbahwa
x
2
x x* x* 2
= x x* x* x x x
T * *
= x x * + x * + 2 x * x x *
2 2 T
sekarangkitamenunjukkanbahwa
x* ( x x* ) 0
T
bahkan,
x* ( x x* ) = AT ( AAT ) 1 b x AT ( AAT ) 1 b
T T
= b T ( AAT ) 1 Ax ( AAT )( AAT ) 1 b
= b T ( AAT ) 1 b b 0 .
jadi,
2 2
x* x x* .
2
x
karena
2
x x* 0 untuksemua𝑥 ≠ 𝑥 ∗ , dan untuk semua itu 𝑥 ≠ 𝑥 ∗ ,
2
x* ,
2
x
yangberartibahwa
x x*
Contoh 12.7 Tentukan titik yang paling dekat dengan titik asalℝ3
Pada titikpotongduagaris bidang yang didefinisikan oleh dua persamaan
berikut ini:
x1 2 x2 x3 1,
4 x1 x2 3x3 0.
x
bagianterkecil
bergantungpada Ax b,
dimana
1 2 1 1
A , b
4 1 3 0
0.0952
x A ( AA ) b 0.3333
* T T 1
0.2381
1 1 2
A , b 3 .
0 1
0 11 1
x (1) (2 0) ,
0 2 1 1
1 0 1
x ( 2 ) (3 (1)) ,
1 1 3
1 1 1 3
x ( 3) (2 (2))
3 2 1 1
Seperti Gambar 12.4 mengilustrasikan, sifat
𝑎ℛ(𝑘)+1 (𝑥 (𝑘+1) − 𝑥 ∗ ) = 0
2 1
1 0 3 2
A 1 0 BC .
0 1 4 1
3 1
𝑨 𝑿 𝑨 = 𝑨.
BAB 22
MASALAH OPTIMASI CONVEX
22.1 Pendahuluan
Masalah optimasi yang diajukan pada awal bagian ini, pada
umumnya sangat sulit dipecahkan. Sumber kesulitan ini mungkin
berada dalam fungsi objektif atau kendala. Sekalipun fungsi
obyektifnya sederhana dan "berperilaku baik," sifat kendala bisa
membuat masalah sulit dipecahkan. Kami menggambarkan
beberapa kesulitan ini dalam contoh berikut.
Contoh 22.1 Pertimbangkan masalah optimasi
𝑚𝑖𝑛𝑖𝑚𝑖𝑧𝑒 𝑥12 + 𝑥22
𝑠𝑢𝑏𝑗𝑒𝑐𝑡 𝑡𝑜 𝑥2 − 𝑥1 − 2 ≤ 0
𝑥12 − 𝑥2 − 4 ≤ 0
Masalahnya digambarkan pada Gambar 22.1, dimana, seperti
yang bisa kita lihat, minimizer terbatas sama dengan minimizer
yang tidak dibatasi. Pada minimizer, semua kendala tidak aktif.
Jika kita hanya mengetahui fakta ini, kita bisa mendekati masalah
ini sebagai masalah optimasi tanpa kendala dengan menggunakan
teknik dari Bagian II.
Gambar 22.1 Situasi dimana dibatasi dan tak terbatas adalah
sama.
𝑧 = 𝛼𝑦1 + (1 − 𝛼)𝑦2 ∉ Ω
diberikan
𝛽1 = 𝑓(𝑦1 ), 𝛽2 = 𝑓(𝑦2 )
Lalu, pasang
𝑦1 𝑦2
[𝛽 ] , [𝛽 ]
1 2
kita mempunyai
𝑧
𝓌 = [𝛼𝛽 + (1 − 𝛼)𝛽 ]
1 2
Tapi perhatikan itu w epi (f), karena z Ω. Oleh karena itu, epi (f)
tidak cembung, dan karenanya f bukan fungsi konveks.
𝑓(𝑥) ≤ 𝑎, 𝑓(𝑦) ≤ 𝑏.
Karena itu, dengan menggunakan ketimpangan pertama di atas,
kita miliki
𝑓(𝑥) = 𝑎, 𝑓(𝑦) = 𝑏.
sehingga,
𝑥 𝑦
[ ] , [ ] ∈ 𝑒𝑝𝑖(𝑓).
𝑎 𝑏
Karena 𝑓 adalah fungsi konveks, epigrafnya adalah subset
konveks ℝ𝑛+1. Oleh karena itu, untuk semua 𝛼 ∈ (0,1), kita
mempunyai
𝑥 𝑦 𝛼𝑥 + (1 − 𝛼)𝑦
𝛼 [ ] + (1 − 𝛼) [ ] = [ ] ∈ 𝑒𝑝𝑖(𝑓).
𝑎 𝑏 𝛼𝑎 + (1 − 𝛼)𝑏
Hal di atas menyiratkan bahwa untuk semua 𝛼 ∈ (0,1),
Γ𝑐 = {𝑥 ∈ Ω: 𝑔(𝑥) ≤ 𝑐}
adalah himpunan konveks.
𝐷𝑓(𝑥 ∗ )(𝑥 − 𝑥 ∗ ) ≥ 0.
𝑑 𝑇 ∇𝑓(𝑥 ∗ ) ≥ 0.
Ω = {𝑥 ∈ ℝ𝑛 ∶ ℎ(𝑥) = 0},
𝐹𝑖 = 𝐹𝑖𝑇 ∈ ℝ𝑚 𝑥 𝑚 , 𝑖 = 0,1, … , 𝑛
Dan sebuah vektor
𝑥 = [𝑥1 , … , 𝑥𝑛 ]𝑇 ∈ ℝ𝑛 .
Kemudian,
𝐹(𝑥) = 𝐹0 + 𝑥1 𝐹1 + ⋯ + 𝑥𝑛 𝐹𝑛
𝑛
= 𝐹0 + ∑ 𝑥𝑖 𝐹𝑖
𝑖=1
Adalah fungsi affine dari x, karena 𝐹(𝑥) terdiri dari istilah linier
∑𝑛𝑖=1 𝑥𝑖 𝐹𝑖 dan istilah konstan 𝐹0 .
𝐹(𝑥) = 𝐹0 + 𝑥1 𝐹1 + ⋯ + 𝑥𝑛 𝐹𝑛 ≥ 0
Ketidaksamaan kendala di atas adalah untuk ditafsirkan sebagai
himpunan vektor x seperti itu
LMI pemecah
Ketidaksamaan 𝐹(𝑥) = 𝐹0 + 𝑥1 𝐹1 + ⋯ + 𝑥𝑛 𝐹𝑛 ≥ 0 disebut
representasi kanonik dari sebuah LMI. Pemecah LMI numerik
tidak berurusan langsung dengan LMI dalam bentuk kanonik
karena berbagai inefisiensi. Sebagai gantinya, pemecah LMI
menggunakan representasi LMI yang terstruktur.
Kita bisa menggunakan toolbox MATLAB's LMI untuk
menyelesaikan LMI secara efisien. Toolbox ini memiliki tiga
jenis pemecah LMI, yang akan kita bahas selanjutnya.