TUGAS PENGGANTI UTS

OPTIMISASI

Program StudiTeknikElektro
JurusanTeknikElektro

Oleh :
ARNOLD MARULI SIMANGUNSONG
NIM. D1021131041

JURUSAN TEKNIK ELEKTRO

FAKULTAS TEKNIK
UNIVERSITAS TANJUNGPURA
PONTIANAK
2017
 BAB II

METODE OPTIMASI KLASIK (TEKNIK OPTIMASI KLASIK)

II.1. Pendahuluan

Optimasi = minimasi atau maksimasi

1. menentukan lokasi solusi optimal atas fungsi (objektif) yang kontinu dan diferensial
2. perkakas penting adalah kalkulus diferensial -> untuk menentukan posisi optimal,
yang di berikn harga nya oleh posisi ekstrim

II.2. Optimasi Pada Single Variable

Definisi

1. Suatu fungsi f(x) dikatakan mempunyai solusi minimum relative (local minimum)

x=x* jika f(x*) ≤ f(x* + h) untuk semua nilai h yang kecil maupun negative (cukup
kecil)
2. Fungsi f(x) dikatakan mempunyai solusi maksimum pada x = x* jika f(x*) ≥ f(x* + h)
untuk semua nilai h positif dan negative yang cukup
3. f(x) dikatakan mempunyai solusi minimum absolute/global pada x = x* jika x* ≤ f(x)
untuk semua x di daaerah dimana f (x) di definisikan. Daerah perhatian dibatasi oleh
f(x) itu sendiri {solusi minimum absolute/global <- relative terhadap daerah
definisinya}.
4. F(x) dikatakan mempunyai solusi maksimum absolute pada x = x* jika f(x*) ≥ f(x)
untuk semua x di daerah dimana f(x) didefinisikan.

Pada persoalan kontrol dengan single output maka persoalan optimasinya adalah single
variable. Di dalam industri, arus listrik yang berlaku I=4-20mA

FT= flew transmitter

FC= flew controller
Teorema (Syarat Perlu)

Jika f(x) didefinisikan pada selang a≤x≤b dan mempunyai solusi minimum relative pada x=x*,
𝑑𝑓(𝑥)
dimana a≤x*≤b dan jika turunan 𝑑𝑥
|x=x* = f’(x)| x=x* ada, maka = f’(x)| x=x*=0

𝑓(𝑥∗+ℎ)−𝑓(𝑥∗) 𝑑𝑓(𝑥)
Bukti: Akan ditunjukkan f’(x*) lim =0= |x=x*
ℎ→0 ℎ 𝑑𝑥

dari definisi diketahui : jika f(x*) adalah solusi minimum relative maka berlaku f(x*) ≤
f(x*+h)V|h|->0
𝑓(𝑥∗+ℎ)−𝑓(𝑥∗) 𝑓(𝑥∗+ℎ)−𝑓(𝑥∗)
ini berarti ℎ
≥ 0 jika h>0 dan ℎ
≤ 0 jika h<0

𝑓(𝑥∗+ℎ)−𝑓(𝑥∗)
dari kedua hal tersebut diperoleh lim ℎ
= 𝑓 ′ (𝑥 ∗) ≥ 0 𝑉 ℎ > 0
ℎ→0

𝑓(𝑥∗+ℎ)−𝑓(𝑥∗)
lim ℎ
= 𝑓 ′ (𝑥 ∗) ≤ 0 𝑉 ℎ < 0
ℎ→0

Oleh karena kedua solusi harus dipenuhi maka haruslah f’(x*)=0

Penyataan diatas juga berlaku untuk solusi maksimum relative namun karena diatas tidak
menunjukkan keberdaan f’(x)

1. Pengertian minimum/maksimum relative dan global ditunjukkan pada gambar

fungsi berikut

2. Teorema diatas pasti menyatakan kondisi ekstrim relative

3. Teorema diatas tidak memeberikan penjelasan jika x=x* adalah solusi tapi f’(x*)
tidak ada (berlaku untuk orde yang tinggi -> untuk fungsi yang tidk kontinyu)
4. Teorema diatas tidak memberikan penjelasan jika solusi minimum ada di ujung
interval (karena dengn begitu h tidk dapat digerakkkan dari 2 arah)
5. Teorema diatas juga tak menjelaskan jika f’(x*) =0 tetapi x* bukan solusi

6. Teorema diatas hanyalah syarat

perlu namun bukan syarat cukup.
Teorema (Syarat Cukup)

Misalkan f’(x*) = f”(x*) = …. F(n-1)(x*) = 0 tetapi fn(x*) ≠0, maka

i. x* adalah solusi minimum jika fn(x*) >0 dimana n bilangan genap

ii. x* adalah solusi maksimum jika fn(x*) < 0 dimana n bilangan genap
iii. x* adalah bukan solusi jika n adalah bilangan ganjil

Bukti : digunakn definisi yang telah diberikan dan evaluasi dengan Deret Taylor

Contoh 1. Tentukan solusi minimum dan maksimim dari f(x) – 12x5-45x4+40x3+5

Jawab

F’(x)= 60 (x4-3x3+2x2)=60x3(x-1)(x-2)=0 -> x1=1, x2=2, x3=0

F”(x) = 60(4x3-9x2+4x)

F”(x=1) = -60 -> x*=1 adalah solusi maksimum relative

F”(x=2) = 240 -> x*=2 adalah solusi minimum relative

F”(x=0) = 0 -> x=0 bukan solusi (inflection point)

ℎ ℎⁿ
Deret Taylor terhadap α sekitar f(x*+h) = f(x*)+hf’(x*) + 2! f”(x*) +…. + 𝑛! f(n) (x*+αh)

ℎⁿ
Maka f(x*+h)-f(x*)= 𝑛! f(n) (x*+αh) ≠ 0

F”’(x)|x=0=240 ≠ 0 -> berarti bukan solusi

Contoh 2. Suatu generator listrik DC mempunyai tahanan output R, output open sebesar V
volt. Dicari tahanan beban agar daya tersalur maksimum.
Jawab:
𝑉
Daya: P= x.i2, i=𝑅+𝑋

𝑉
P=(𝑅+𝑋)² x adalah fungsi objektif yang dimaksimumkan

Dengan desain variable adalah r

𝑑𝑃 𝑉²(𝑅2 −𝑋 2 )
=
𝑑𝑟 𝑅²+𝑋²+2𝑅𝑋
=0

Test (syarat cukup)

𝑑²𝑃 −𝑉²
…..= ≤0
𝑑𝑟² 8𝑅²
Terlihat bahwa syarat cukup menyatakan x* = R adalah solusi maksimum

𝑉 2 𝑉²
Pmaks=R(𝑅+𝑋∗) − 4𝑅

Contoh 3. Suatu sistem kompresor terdiri dari 2 tangki untuk mengalirkan gas dari kondisi
P1 ke kondisi P3 pada output sistem. P1: sumber diberikan dan P3: diminta
variable desain: P2

Akan dicari kondisi kerja di sistem yang dinyatkan oleh P2. Misalkan total kerja yang
𝑘−1 𝑘−1
𝑘 𝑃2 𝑘 𝑃3 𝑘
diberikan oleh sistem adalah W= NRT [( ) + ( ) − 2]
𝑘−1 𝑃1 𝑃2

W= Kerja; N=Berat Molekul Gas ;R= Konstanta Gas ;

A= Rasio Panas Spesifik; T= Temperature Fluida Yang Masuk

Jawab

𝜕𝑊 1
= 0 → 𝑃2 = (𝑃1. 𝑃3)2
𝜕𝑃2

Optimasi Sistem Multivariate Tanpa Kendala

Terlebih dahulu akan didefinisikan suatu Deret Taylor untuk sistem multivariate definisi:
tentang diferensial dari f(𝑥̅ ). Jika turunan parsial hingga orde ke-r (dengan r≥1) dri fungsi
𝑓(𝑥̅ ) ada dan kontinyu pada lokasi 𝑥̅ * maka polynomial berikut:
𝜕𝑟𝑓(𝑥̅ ∗)
dr 𝑓(𝑥̅ ) = ∑𝑛𝑖=1 ∑𝑛𝑗=1 … ∑𝑛𝑘=1 ℎ𝑖 ℎ𝑗 … ℎ𝑘 disebut sebagi turunan ke-r dari 𝑓(𝑥̅ )
𝜕𝑥𝑖𝜕𝑥𝑗…𝜕𝑥𝑘
pada 𝑥̅ *

r=2 n=3
𝜕2 𝑓(𝑥
̅ ∗) 𝜕2 𝑓(𝑥
̅ ∗)
𝜕2 𝑓(𝑥̅ ∗) 𝜕2 𝑓(𝑥̅ ∗) 2 2
d2 𝑓(𝑥 ∗ = ∑3𝑖=1 ∑3𝑗=1 ℎ𝑖 ℎ𝑗
̅̅̅̅) = ℎ12 + ℎ2 𝜕𝑥22 + ℎ3 𝜕𝑥32 +
𝜕𝑥1𝜕𝑥2 𝜕𝑥12
𝜕2 𝑓(𝑥̅ ∗) 𝜕²𝑓(𝑥̅ ∗) 𝜕²𝑓(𝑥̅ ∗)
2ℎ1ℎ2 + 2ℎ2ℎ3 + 2ℎ1ℎ3
𝜕𝑥1𝜕𝑥2 𝜕𝑥2𝜕𝑥3 𝜕𝑥1𝜕𝑥3

Selanjutnya Deret Taylor dari 𝑓(𝑥̅ ) relatif pada 𝑥̅ * diberikan oleh

1 1 1
𝑓(𝑥̅ ) = 𝑓(𝑥̅ ∗) + 𝑑𝑓(𝑥̅ ∗) + 2!
𝑑²𝑓(𝑥̅ ∗) + 3! 𝑑3 𝑓(𝑥̅ ∗) + ⋯ + 𝑛! 𝑑ⁿ𝑓(𝑥̅ ∗) + 𝑅𝑛(𝑥̅ ∗, ℎ)
1
Dimana 𝑅𝑛(𝑥̅ ∗, ℎ)=(𝑁+1)! dengan 0<α<1

Teorema (syarat perlu)

Jika 𝑓(𝑥̅ ) mempunyai suatu hrga ekstrim pada 𝑥̅ = 𝑥̅ ∗ dan jika turunan pertama 𝑓(𝑥̅ ) pada
𝜕𝑓 𝜕𝑓 𝜕𝑓
𝑥̅ ∗ ada maka (𝑥̅ ∗) = (𝑥̅ ∗) = ⋯ = (𝑥̅ ∗) = 0
𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛

Teorema (Syarat Cukup)

Syarat cukup bahwa 𝑥̅ ∗ adalah ektrim (max/min) dari 𝑓(𝑥̅ ) adalah jika matriks hessian yang
dievaluasi pada 𝑥̅ ∗ adalah

i. positif definit, jika 𝑥̅ ∗ adalah minimum

ii. negative definit, jika 𝑥̅ ∗ adalah maksimum
Contoh

Akan dicari x1 dan x2 jika sistem dalam kondisi setimbang. Sistem dalam keadaan
seimbang= sistem tanpa energy potensial

Jawab

Sistem dalam keadaan setimbang jika energy potensial atas gaya F {Desain variable: x1 dan
x2 dan fungsi objektif: energy sistem} adalah minimum.

U= energy potensial =(energy dari pegas)-(energy dari gaya)

= 𝑓(𝑥̅ ) dimana 𝑥̅ = [𝑥1, 𝑥2]T

1 1 1
𝑓(𝑥̅ ) = 𝑘1𝑥2² + 𝑘2𝑥1² + 𝑘3(𝑥2 − 𝑥1)²
2 2 2
𝜕𝑓(𝑥̅ )
= 𝑘2. 𝑥1 − 𝑘3(𝑥2 − 𝑥1) = 0
𝜕𝑥1
𝜕𝑓(𝑥̅ )
= 𝑘1. 𝑥2 + 𝑘3(𝑥2 − 𝑥1) − 𝐹 = 0
𝜕𝑥2
𝐹𝑘3 𝐹(𝑘2+𝑘3)
X1*=𝑘1𝑘2+𝑘1𝑘3+𝑘2𝑘3 ;x2*=𝑘1𝑘2+𝑘2𝑘3+𝑘1𝑘3

Matriks Hessian
𝜕2 𝑓(𝑥̅ ) 𝜕2 𝑓(𝑥̅ )
2 𝑘2 + 𝑘3 −𝑘3
J=| 𝜕𝜕𝑥1
2 𝑓(𝑥̅ )
𝜕𝑥1𝜕𝑥1
𝜕2 𝑓(𝑥̅ )
| =| | → 𝑝𝑜𝑠𝑖𝑡𝑖𝑓 𝑑𝑒𝑓𝑖𝑛𝑖𝑡
−𝑘3 𝑘1 + 𝑘3
𝜕𝑥1𝜕𝑥1 𝜕𝑥22

|k2+k3|>0

𝑘2 + 𝑘3 −𝑘3
| | = (k2+k3)(k1+k3)-k3²
−𝑘3 𝑘1 + 𝑘3
Kasus semi definit K1k2+k2k3+k1k3+k3²-k3²

K1k2+k2k3+k1k3>0

Teorema (syarat cukup)

Misal turunan parsial dari 𝑓(𝑥̅ ) hingga orde ke-k≥2 adalah kontinyu disekitar

𝑥̅ * dan 𝜕 2 𝑓|x=x* =0, 1 ≤ r ≤ k-1 dan 𝜕 𝑘 𝑓|x=x* ≠ 0 maka (jika k adalah genap )

i. 𝑥̅ * adalah minimum relative jika 𝜕 𝑘 𝑓|x=x* positif definit

ii. 𝑥̅ * adalah maksimum relative jika 𝜕 𝑘 𝑓|x=x* negative definit
iii. jika 𝜕 𝑘 𝑓|x=x* adalah semidefinit maka tidak ada konklusi umum, kecuali jika k adalah
ganjil maka 𝑥̅ * adalah bukan solusi ekstrim

Kasus “Saddle Point”

Dalam hal fungsi objektif mengandung 2 var. desain (mis f(x,y)) maka matrix hessian nya
dapat bukn positif juga bukan negative padaa (𝑥̅ *, 𝑦̅*) meskipun berarti keadaan
semidefenit.
𝜕𝑓 𝜕𝑓
Syarat perlu di penuhi : |x*= |y* = 0
𝜕𝑥 𝜕𝑦

f(x,y*) adalah relative minimum dan f(x*,y) adalah relative maksimum

𝜕𝑓 2 0
1. f(x,y) =x²-y² -> 𝜕𝑥 = 2𝑥 =0 -> x* =0 dan j=| | bukan positif dan negative definit
0 −2
𝜕𝑓
𝜕𝑦
= −2𝑦 y*=0

𝜕𝑓
2. f(x1,x2)= x13+x23+2x12+4x22+6 -> 𝜕𝑥1
= 𝑥1(3𝑥1 + 4) = 0

𝜕𝑓
𝜕𝑥2
= 𝑥2(3𝑥2 + 8) = 0
Syarat cukup-nya
6𝑥1 + 4 0 6𝑥1 + 4 0
J=| |-> J1= |6x1+4| dan J2= det| | maka solusinya
0 6𝑥2 + 8 0 6𝑥2 + 8
𝑥̅ * J1 J2 Kondisi J Kondisi 𝑥̅ * 𝑓(𝑥̅ *)
(0,0) +4 +32 Positif definit Relative maksimum 6
(0,-8/3) +4 -32 Indefinite Saddle point 418/27
(-4/3, 0) -4 -32 Indefinite Saddle point 194/27
(-4/3, -8/3) -4 +32 Negative definit Relative maksimum 50/3

II.4 Optimasi Sistem ‘Multivariate’ dengan ‘Equality Constraint’

Persoalan min/maks 𝑓(𝑥̅ ) terhadap fungsi kendali gj(𝑥̅ )=0, j=1,2,….,m

Dimana 𝑥̅ = [𝑥1, 𝑥2, … , 𝑥𝑛]T dengan m≤n

ada dua cara yaitu

1. direct substitution(substitusi langsung)

2. lagrange multipliers(biasa ditemui dalam control otomatik)

Contoh

Akan dicari suatu dimendsi kubus dengan volume maks yang mnempati ruang suatu bola dengan jari-
jari r

Misal. Sisi dri kubus adalah 2x1,2x2,dn 2x3, maka volume kubus adalah 𝑓(𝑥̅ ) = 8x1x2x3 yang sisi harus
maks dengan batasan berada dalam bola.

Oleh karena kubus harus berada dalam bola, maka haruslah:

X12+x22+x32=1 atau g(𝑥̅ ) = x12+x22+x32-1=0

Persoalan menghasilkan msalh optimasi dengan 3 vriate desain dan 1 pers kendala atau n=3 dan m=1
(maka 1 solusi akan dinyatakan oleh 2 solusi lainnya)

Dengan teknik substitusi langsung dari pers kendal diperoleh

X3= (1-x12-x22)1/2 sehingga 𝑓(𝑥̅ ) = 8x1x2 (1-x12-x22)1/2. Dari sini diperoleh

−32 −16
𝜕𝑓 2 2 1 3 3
= 0 = 1-2x1 -x2 x1*=x2*= -> J=|−16 −32| ->negatif definit
𝜕𝑥1 3
3 3

𝜕𝑓 1
𝜕𝑥2
= 0 = 1-x12-2x22 x3* = 3
2. Metode Lagrange Multipliers

Misal. Persoalan 2 var desain (x1,x2) dengan 𝑓(𝑥̅ ) dari sebuah fungsi kendala 𝑔(𝑥̅ )=0. Pad
metode substitusi dari 𝑔(𝑥̅ )=0 dapat diperoleh x2=h(x1). Sehingga 𝑓(𝑥̅ ) = f(x1,h(x1)). Lalu syarat perlu
𝜕𝑓
agar 𝑓(𝑥̅ ) = f(x1,h(x1)) memeberi nilai minimum 𝑥̅ * adalah jika |𝑥̅ * =0
𝜕𝑥1

𝜕𝑓 𝜕𝑓
Dari 𝑑𝑓(𝑥̅ ) = 𝑑𝑥1 + 𝑑𝑥2
𝜕𝑥1 𝜕𝑥2

𝑑𝑓 𝜕𝑓 𝜕𝑓 𝑑𝑥2
= + =0
𝑑𝑥1 𝜕𝑥1 𝜕𝑥2 𝑑𝑥1
Selanjutnya jika solusi tsb diperoleh maka untuk dx1 dan dx2 menuju 0 sangat kecil

g(x1*, x2*)= 𝑔(𝑥̅ )=0 sehingga didapatkan

𝜕𝑔(𝑥̅ ) 𝜕𝑔(𝑥̅ )
dg (𝑥̅ ) |x=x* =g(x1*+dx1, x2*+dx2) = 𝑑𝑥1 + 𝑑𝑥2|x=x*=0
𝜕𝑥1 𝜕𝑥2

jadi pers lagrange multipliernya yakni

𝜕𝑓 𝜕𝑔 𝜕𝑓 𝜕𝑔
− 1 |x=x*=0 − 2 𝜕𝑥2 |x=x*=0
𝜕𝑥1 𝜕𝑥1 𝜕𝑥2

Selanjutnya ke-3 kendala menjadi fungsi lagrange: L(𝑥̅ , ) = 𝑓(𝑥̅ ) + 𝑔(𝑥̅ )

𝜕𝐿 𝜕𝑓 𝜕𝑔
1. = +  =0
𝜕𝑥1 𝜕𝑥1 𝜕𝑥1
𝜕𝐿 𝜕𝑓 𝜕𝑔
2. = +  =0
𝜕𝑥2 𝜕𝑥2 𝜕𝑥2
𝜕𝐿
3. = 𝑔(𝑥̅ ) = 0
𝜕

Kasus umum pada metode Lagrange

Dalam hal terdapat n variable desain dan m fungsi kendala f(𝑥) = ⋯ ; 𝑥̅ (𝑥1 … 𝑥𝑛) ; 𝑔(𝑥); 𝑗 = (𝑖 … 𝑚)

Teorema (Syarat Perlu)

Suatu kondisi perlu agar f(𝑥̅ ) mempunyai nilai ekstrim min pada 𝑥̅ * dengan kendala gj 𝑥̅ =0 V j=1,..m
adalah jika turunan parsial fungsi lagrange L = L(x1,x2,…xn,1,2,...m) terhadap masing-masing
variable

𝑗=1 𝑗𝑔𝑗(𝑥̅ ) dengan 𝑥̅ =(x1,…xn) dan =

Catatan L(x1,x2,…xn,1,2,...m) = L(𝑥̅ , 𝑥̅ ) = 𝑓(𝑥̅ ) + ∑𝑚 ̅
(1,..m)
Teorema (syarat cukup)

Syarat cukup agar 𝑓(𝑥̅ ) mempunyai relative minimum pada 𝑥̅ * jika

𝜕2𝐿
Q=∑𝑛𝑖=1 ∑𝑚
𝑗=1 yang di evaluasi pada 𝑥̅ * adalah positif definit untuk semua yg sesuai dengan
𝜕𝑥𝑖𝜕𝑥𝑗
kendala yang di berikan

Catatan
𝜕2𝐿(𝑥̅ ,𝑥̅ )
(i) Q=∑𝑛𝑖=1 ∑𝑚
𝑗=1 dxi dxj adalah negative untuk semua variable dx yang mungkin, maka 𝑥̅ *
𝜕𝑥𝑖𝜕𝑥𝑗
adalah kondisi maksimum dri 𝑓(𝑥̅ )

(ii) dapat ditunjukkan bahwa kondisi perlu agar Q adalah positif (negative) definit untuk semua
variasi 𝑓(𝑥̅ ) jika setiap akar-akar karakteristik dari polynomial adalah positif (negative)
(𝐿11 − 𝑍1) 𝐿12 ⋯ 𝐿1𝑛 𝑔11 𝑔21 ⋯ 𝑔𝑚1
𝐿21 (𝐿22 − 𝑍2) ⋯ 𝐿2𝑛 𝑔12 𝑔22 ⋯ 𝑔𝑚2
| |
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
𝐿𝑛1 𝐿𝑛2 ⋯ (𝐿𝑛𝑛 − 𝑍𝑛) 𝑔1𝑛 𝑔2𝑛 ⋯ 𝑔𝑚𝑛
| |=0
𝑔11 𝑔12 ⋯ 𝑔1𝑛 0 0 ⋯ 0
𝑔21 𝑔22 ⋯ 𝑔2𝑛 0 0 ⋯ 0
| |
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
𝑔𝑚1 𝑔𝑚2 ⋯ 𝑔𝑚𝑛 0 0 ⋯ 0

Dimana
𝜕²𝐿 𝜕𝑔𝑖(𝑥̅ ∗)
Lij = (𝑥̅ *,) dan gij=
𝜕𝑥𝑖𝜕𝑥𝑗 𝜕𝑥𝑗

(iii) Jika sebagian positif dan sebagian negative maka 𝑥̅ * adalah bukan titik ekstrim(solusi)

II.5 Optimasi Sistem Multivariable dengan Inequality Constraints

Slack variable = variable kedekatan

Persoalan: MInimasi mencari nilai minimum fungsi objektif 𝑓(𝑥̅ ) dengan 𝑥̅ = (x1,..xn)T

Terhadap fungsi kendala gj(𝑥̅ )≤0, j=1,..,m

Solusi: Untuk menyelesaikan persoalan tsb, fungsi kendala dituliskan sebagai

gj(𝑥̅ ) + 𝑦²𝑗 = 0, 𝑗 = 1, … , 𝑚 dimana telah diperkenalkan variable toleransi (slack variable)

selanjutnya solusi dapat diperoleh dengan teknik 𝑦̅ = (𝑦1, … 𝑦𝑚)T

Fungsi Lagrange dapat dituliskan

L(𝑥̅ , 𝑦̅, ) = 𝑓(𝑥̅ ) + ∑𝑚

𝑗=1 𝑗𝑔𝑗(𝑥̅ , 𝑦
̅) dimana Gj(𝑥̅ , 𝑦̅) = gj (𝑥̅ ) + 𝑦𝑗²