Gambaran umum optimasi pemodelan

Kami menawarkan model dasar yang menyediakan kerangka kerja untuk membahas kelas masalah optimasi.
Masalah yang menjadi sesuai berbagai karakteristik dasar model intrinsik untuk masalah tertentu. Kami juga
membahas variasi dari model dasar. Model dasar

Sekarang mari kita menjelaskan notasi. Untuk mengoptimalkan berarti untuk memaksimalkan atau
meminimalkan. J subskrip menunjukkan bahwa mungkin ada satu atau lebih fungsi untuk mengoptimalkan.
Fungsi dibedakan oleh subskrip integer milik J set yang terbatas. Kami mencari vektor Xo memberikan nilai
optimal untuk fungsi fj (x). berbagai komponen vektor X disebut variabel keputusan model, sedangkan fungsi fj
(x) disebut fungsi objektif. Dengan menambahkan tunduk, kami menunjukkan bahwa kondisi sisi tertentu harus
dipenuhi. Misalnya, jika tujuannya adalah untuk meminimalkan biaya produksi produk tertentu, mungkin
specifed bahwa semua kewajiban kontrak untuk produk harus dipenuhi. Sisi kondisi biasanya disebut kendala.
Subskrip integer saya tidak menunjukkan mungkin satu atau lebih kendala hubungan yang harus dipenuhi.
Kendala mungkin kesetaraan (seperti tepat memenuhi permintaan untuk produk) atau ketidaksetaraan (seperti
tidak melebihi keterbatasan anggaran atau memberikan persyaratan gizi minimal dalam masalah diet). Akhirnya,
masing-masing mewakili bi konstan tingkat bahwa kendala yang terkait fungsi gi (X) harus mencapai dan
karena cara optimasi masalah yang biasanya tertulis, sering disebut sisi kanan dalam model. Dengan demikian,
solusi vektor X harus mengoptimalkan masing-masing fungsi objektif fj (X) dan secara bersamaan memenuhi
setiap hubungan kendala. Kita sekarang mempertimbangkan satu masalah sederhana yang mengilustrasikan ide-
ide dasar.
Menentukan jadwal produksi

Acarpenter membuat meja dan rak buku. Dia mencoba untuk menentukan berapa banyak dari setiap jenis
furnitur dia harus membuat setiap minggu. Tukang kayu keinginan untuk menentukan jadwal produksi
mingguan untuk meja dan rak buku yang memaksimalkan keuntungan. Biayanya $5 dan $7 untuk menghasilkan
Meja dan rak buku, masing-masing. Pendapatan diperkirakan oleh ekspresi

mana x1 adalah jumlah meja yang dihasilkan per minggu

dan di mana x2 jumlah meja yang dihasilkan per minggu

Dalam contoh ini, masalahnya adalah memutuskan berapa banyak meja dan rak buku untuk membuat
everyweek. Akibatnya, variabel keputusan adalah jumlah meja dan rak buku dilakukan per minggu. Kami
menganggap ini adalah jadwal, nilai-nilai noninteger sehingga meja dan rak buku
masuk akal. Itu adalah, kita akan mengizinkan x1 dan x2 untuk mengambil nilai-nilai nyata apapun dalam
rentang mereka masing-masing. Fungsi tujuan adalah ekspresi nonlinier mewakili laba unduhan yang akan
diwujudkan dari menjual meja dan rak buku. Keuntungan adalah pendapatan dikurangi biaya. Fungsi
keuntungan adalah ……(rumus)

Ada ada kendala dalam masalah ini.

Mari kita mempertimbangkan variasi ke skenario sebelumnya. Tukang kayu menyadari keuntungan bersih unit
$25 per tabel dan $30 per rak buku. Dia mencoba untuk menentukan berapa banyak dari setiap bagian dari
furnitur dia harus membuat setiap minggu. Dia memiliki papan-kaki hingga 690 kayu untuk mengabdikan
mingguan untuk proyek dan hingga 120 jam kerja. Ia dapat menggunakan kayu dan tenaga kerja produktif di
tempat lain jika mereka tidak digunakan dalam produksi meja dan rak buku. Dia memperkirakan bahwa hal itu
memerlukan 20-kaki-papan kayu dan 5 jam kerja untuk menyelesaikan meja dan papan 30-kaki
kayu dan 4 hr tenaga kerja untuk sebuah rak buku. Selain itu, ia menandatangani kontrak untuk memberikan
setidaknya empat meja dan rak buku dua setiap minggu. Tukang kayu keinginan untuk menentukan jadwal
produksi mingguan untuk meja dan rak buku yang memaksimalkan keuntungan. Perumusan
hasil ….(rumus)

Mengklasifikasikan beberapa masalah optimasi

Ada berbagai cara untuk mengklasifikasikan masalah optimasi. Klasifikasi ini tidak dimaksudkan untuk menjadi
saling eksklusif, tetapi hanya untuk menjelaskan karakteristik tertentu matematika dimiliki oleh masalah
diselidiki. Kami sekarang menjelaskan beberapa klasifikasi ini.
Masalah optimasi yang dikatakan tidak dibatasi jika tidak ada kendala dan dibatasi jika satu atau lebih kondisi
sisi hadir. Masalahnya jadwal produksi pertama yang dijelaskan dalam contoh 1 menggambarkan masalah yang
tidak dibatasi.
Masalah optimasi yang dikatakan menjadi linear program jika itu satis es berikut
Properti:
1. ada fungsi tujuan unik.
2. setiap kali sebuah variabel keputusan muncul di fungsi tujuan atau salah satu fungsi con-straint, itu harus
muncul hanya sebagai istilah kekuasaan dengan eksponen 1, mungkin dikalikan dengan suatu konstanta.
3. tidak ada istilah di fungsi tujuan atau di salah satu kendala dapat berisi produk variabel keputusan.
4. koefisien keputusan variabel dalam fungsi objektif dan setiap kendala konstan.
5. keputusan variabel yang diijinkan untuk menganggap pecahan serta nilai bilangan bulat.
3. tidak ada istilah di fungsi tujuan atau di salah satu kendala dapat berisi produk variabel keputusan.
4. koefisien keputusan variabel dalam fungsi objektif dan setiap kendala konstan.
5. keputusan variabel yang diijinkan untuk menganggap pecahan serta nilai bilangan bulat.

Properti ini memastikan, antara lain, efek dari setiap variabel keputusan itu sebanding dengan nilai. Mari kita
periksa setiap properti lebih erat.
Properti 1 batas masalah untuk tujuan fungsi tunggal. Masalah dengan fungsi lebih dari satu tujuan yang disebut
multiobjective atau tujuan program. Properti 2 dan 3 cukup jelas, dan masalah optimasi yang gagal untuk
memenuhi salah satu dari mereka dikatakan nonlinier. Jadwal produksi pertama fungsi tujuan memiliki
keputusan kedua
variabel sebagai syarat kuadrat dan dengan demikian melanggar 2 properti. Properti 4 cukup ketat untuk banyak
skenario, Anda mungkin ingin model. Pertimbangkan memeriksa jumlah papan-kaki dan tenaga kerja yang
diperlukan untuk membuat meja dan rak buku. Itu mungkin untuk mengetahui persis jumlah papan-kaki dan
tenaga kerja yang dibutuhkan untuk menghasilkan setiap item dan menggabungkan menjadi kendala. Sering,
namun, itu mustahil untuk memprediksi nilai yang diperlukan tepat (mempertimbangkan mencoba untuk
memprediksi harga pasar dari jagung), atau koefisien mewakili nilai-nilai rata-rata dengan agak besar
penyimpangan dari nilai yang sebenarnya terjadi dalam praktek. Koefisien mungkin bergantung waktu juga.
Bergantung pada waktu masalah dalam kelas tertentu yang disebut program dinamis. Jika koefisien tidak
konstan tetapi sebaliknya probabilistik di alam, masalah diklasifikasikan sebagai program stokastik. Akhirnya,
jika satu atau lebih variabel keputusan dibatasi pada nilai-nilai integer (maka melanggar properti 5), masalah
yang dihasilkan disebut program bulat (atau program integer dicampur jika pembatasan integer hanya berlaku
untuk subset dari keputusan variabel). Variasi dari masalah penjadwalan produksi, masuk akal untuk
memungkinkan pecahan nomor meja dan rak buku dalam menentukan
Jadwal mingguan, karena mereka dapat diselesaikan selama minggu berikutnya. Mengklasifikasikan masalah
optimasi penting karena teknik solusi yang berbeda berlaku untuk kategori yang berbeda. Misalnya, masalah
pemrograman linier dapat diselesaikan secara efisien dengan metode Simplex disajikan dalam bagian 7.4.

Masalah-masalah optimasi tidak dibatasi

Kriteria dipertimbangkan untuk fitting model untuk titik data adalah meminimalkan jumlah mutlak
penyimpangan. Untuk model y = f (x), jika y (xi) mewakili fungsi dievaluasi di x = xj dan (xi, yi) menandakan
titik data yang sesuai untuk i = 1, 2,... m points, maka kriteria ini
dapat dirumuskan sebagai berikut: menemukan parameter y=f(x) model untuk
Kondisi terakhir ini menggambarkan masalah optimasi yang tidak dibatasi. Karena turunan dari fungsi yang
sedang diminimalkan gagal untuk terus-menerus (karena adanya nilai absolut), tidak mungkin untuk
memecahkan masalah ini dengan aplikasi sederhana
dasar kalkulus. Solusi numerik yang didasarkan pada pola Cari disajikan dalam bagian 7,6.

Integer optimasi program

Persyaratan yang ditentukan untuk masalah mungkin membatasi satu atau lebih variabel keputusan yang nilai
bilangan bulat. Sebagai contoh, dalam mencari campuran yang tepat dari berbagai ukuran Mobil, vans, dan truk
untuk armada transportasi perusahaan untuk meminimalkan biaya di bawah beberapa set kondisi,
itu tidak akan masuk akal untuk menentukan bagian fraksional kendaraan. Masalah-masalah optimasi integer
juga muncul dalam kode masalah, di mana variabel biner (0 dan 1) mewakili negara-negara tertentu, seperti
ya/tidak atau hidup/mati.

Contoh 2:
Pesawat ulang-alik kargo
Ada berbagai item yang akan diambil pada pesawat ruang angkasa. Sayangnya, ada pembatasan pada kapasitas
berat dan volume diperbolehkan. Misalnya ada m item yang berbeda, masing-masing diberikan beberapa nilai
numerik cj dan memiliki berat wj dan volume vj. (Bagaimana mungkin Anda menentukan cj
dalam masalah sebenarnya?) Misalnya, tujuannya adalah untuk memaksimalkan nilai item yang akan diambil
tanpa melebihi berat keterbatasan W atau pembatasan volume V. Kita dapat merumuskan model ini….rumus

Biarkan yj = 1; Jika item j diambil (Ya)

 0; Jika item j tidak diambil (tidak)
Maka masalah adalah….rumus
Tunduk….rumus

kemampuan untuk menggunakan variabel biner seperti yj memungkinkan fleksibilitas yang besar di pemodelan.
mereka dapat digunakan untuk mewakili ya/tidak keputusan, seperti apakah untuk membiayai proyek tertentu
dalam masalah penganggaran modal, atau untuk membatasi variabel untuk menjadi aktif atau tidak aktif.
sebagai contoh, x variabel dapat dibatasi ke nilai 0 dan dengan menggunakan variabel y biner sebagai
pengganda:
ilustrasi lain membatasi x dalam interval (, b) atau menjadi nol melalui y: variabel biner

contoh 3: Perkiraan oleh Piecewise fungsi Linear

Kekuatan menggunakan variabel biner untuk mewakili interval dapat lebih lengkap dihargai ketika tujuannya
adalah untuk perkiraan fungsi nonlinear oleh piecewise linier. Secara khusus, misalnya fungsi nonlinear angka
7.1a mewakili satu fungsi biaya dan kita ingin
untuk menemukan nilai minimal selama interval 0 < x <. Jika fungsi sangat rumit, itu bisa diperkirakan oleh
piecewise linear fungsi seperti yang ditunjukkan pada gambar 7.1b. (Piecewise fungsi linier mungkin terjadi
secara alami dalam masalah, seperti ketika tingkat yang berbeda akan dikenai biaya pemakaian listrik yang
didasarkan pada jumlah konsumsi.)
Ketika kita menggunakan pendekatan yang disarankan dalam gambar 7.1, masalah kita adalah untuk
menemukan minimum fungsi…. RUMUS
Menetapkan tiga baru variabel x1, x2, dan x3 untuk setiap tiga variabel dan menggunakan biner variabel y1, y2
dan y3 membatasi xi interval sesuai:….rumus
mana y1, y2 dan y3 sama 0 atau 1. karena kita ingin tepat satu xi menjadi aktif setiap saat, kita memberlakukan
batasan berikut:…. Rumus
Sekarang bahwa satu-satunya Xi ini aktif pada satu waktu, menjadi fungsi tujuan kami…rumus

mengamati bahwa setiap kali yi = 0 xj variabel = 0 juga. dengan demikian, produk xjyj bentuk berlebihan dan
fungsi tujuan dapat disederhanakan untuk memberikan model berikut:

Model dalam 3 contoh

diklasifikasikan sebagai bilangan bulat dicampur pemrograman masalah karena
hanya beberapa variabel keputusan terbatas pada nilai bilangan bulat. Metode Simplex tidak memecahkan bulat
atau bulat dicampur masalah secara langsung. Ada banyak kesulitan yang terkait dengan memecahkan masalah
tersebut, yang dibahas dalam kursus lebih maju. Salah satu
metodologi yang telah terbukti sukses adalah untuk menyusun aturan untuk menemukan solusi yang layak baik
dengan cepat dan kemudian menggunakan tes untuk show yang layak sisa solusi dapat dibuang. Sayangnya,
beberapa tes bekerja baik untuk beberapa kelas masalah tapi gagal total untuk orang lain.

Multiobjective pemrograman: Investasi masalah

Pertimbangkan masalah berikut: investor memiliki $40,000 untuk berinvestasi. Dia sedang mempertimbangkan
investasi dalam tabungan 7%, obligasi municipal 9%, dan saham yang telah telah secara konsisten rata-rata
14%. Karena ada berbagai derajat resiko yang terlibat dalam berbagai investasi, investor telah terdaftar tujuan
berikut untuk portofolio-nya:
1. sebuah pengembalian tahunan setidaknya $5000.
2. investasi minimal $ 10.000 dalam saham.
3. investasi di saham tidak boleh melebihi total gabungan pada obligasi dan tabungan.
4. rekening tabungan cair antara $5000 dan $15.000.
5. total investasi tidak boleh melebihi $40,000.
Kita bisa melihat dari portofolio bahwa investor memiliki lebih dari satu tujuan. Sayangnya,
seperti yang sering terjadi dengan masalah di dunia nyata, tidak semua tujuan dapat dicapai secara bersamaan.
Jika investasi kembali hasil terendah terletak serendah mungkin (dalam contoh ini, $5000 ke tabungan),
keuntungan terbaik mungkin tanpa melanggar tujuan 2-5 diperoleh dengan menginvestasikan $15,000 pada
obligasi dan $20.000 dalam saham. Namun, portofolio ini jatuh
pendek diinginkan kembalinya tahunan $5000. Bagaimana Apakah masalah dengan lebih dari satu tujuan yang
didamaikan?
Mari kita mulai dengan merumuskan tujuan setiap matematis. Biarkan x menunjukkan investasi dalam
tabungan, y investasi di obligasi, dan z investasi dalam saham. Maka tujuan adalah sebagai berikut:
Kita telah melihat bahwa investor harus berkompromi pada satu atau lebih dari tujuan-Nya untuk menemukan
solusi yang layak. Misalkan investor merasa dia harus kembali $5000, harus berinvestasi setidaknya $10.000
dalam saham, dan tidak bisa menghabiskan lebih dari $40,000 tapi bersedia kompromi pada tujuan 3 dan 4.
Namun, dia ingin menemukan solusi yang meminimalkan jumlah yang dua tujuan ini gagal untuk dipenuhi.
Mari kita merumuskan persyaratan ini secara matematis dan menggambarkan metode yang berlaku untuk
masalah yang sama. Dengan demikian, biarkan G3 menunjukkan jumlah yang tujuan 3 gagal untuk menjadi
puas, dan G4 menunjukkan jumlah oleh tujuan yang 4 gagal untuk dipenuhi. Maka model
….rumus
Kondisi terakhir ini disediakan untuk memastikan bahwa investasi negatif tidak diperbolehkan. Masalah ini
adalah sekarang program linear yang dapat diselesaikan dengan metode Simplex (Bagian 7,4). Jika investor
percaya bahwa beberapa tujuan lebih penting daripada yang lain, fungsi tujuan
dapat ditambah untuk menekankan tujuan-tujuan tersebut. Selain itu, analisis sensitivitas yang berat di fungsi
tujuan akan mengidentifikasi breakpoints untuk rentang di mana berbagai solusi optimal. Proses ini
menghasilkan sejumlah solusi untuk hati-hati dipertimbangkan oleh investor sebelum membuat investasi nya.
Biasanya, ini adalah yang terbaik yang dapat dicapai bila kualitatif keputusan yang harus dibuat.

Masalah pemrograman dinamis

Seringkali, optimasi model memerlukan bahwa keputusan yang dibuat pada berbagai interval waktu daripada
semua sekaligus. Pada 1950-an, ahli matematika Amerika Richard Bellman mengembangkan teknik untuk
mengoptimalkan seperti model secara bertahap daripada secara bersamaan dan disebut
masalah-masalah seperti program-program yang dinamis. Berikut adalah skenario masalah yang cocok untuk
solusi dengan teknik pemrograman dinamis:
Seorang peternak memasuki usaha ternak dengan kawanan ternak k awal. Ia bermaksud untuk pensiun dan
menjual ternak sisa apapun setelah N tahun. Setiap tahun peternak dihadapkan dengan keputusan berapa banyak
ternak untuk menjual dan berapa banyak untuk menjaga. Jika ia menjual, dia memperkirakan keuntungan untuk
menjadi pi tahun saya. Juga, jumlah ternak disimpan dalam tahun aku diharapkan untuk double tahun i + 1.
Meskipun skenario ini mengabaikan banyak faktor yang seorang analis mungkin mempertimbangkan di dunia
nyata (nama beberapa), kita dapat melihat bahwa peternak sapi dihadapkan dengan trade-off keputusan setiap
tahun: mengambil proft atau membangun untuk masa depan.
Pada beberapa bagian selanjutnya kita memusatkan perhatian pada pemecahan masalah pemrograman linier,
pertama geometris dan kemudian dengan metode simpleks.