Kuliah Pengantar Kontrol Optimum Dan Metode Numeriknya Dalam Scilab

Kuliah Pengantar
Kontrol Optimum dan

Metode Numeriknya
dalam Scilab
Effendi Syahril
Agah D. Garnadi
Kuliah Pengantar Kontrol Optimum dan
Metode Numeriknya dalam Scilab
Effendi Syahril
Agah D. Garnadi
e-version : https://dx.doi.org/10.17605/OSF.IO/KH4U2
Versi : -0.1
Contents
1 Pendahuluan 1
1.1 Masalah Optimisasi Dinamis . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 State Sistem Dinamis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Peubah Kontrol . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Reachability, Controllability dan Observability . . . . . . . . . . . . . . . . . 3
1.5 Fungsional Objektif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.6 Kalkulus Variasi dan Kontrol Optimum . . . . . . . . . . . . . . . . . . . . . 4
2 Kalkulus Variasi 5
2.1 Pendahuluan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Fungsional Dan Variasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3 Syarat Perlu Untuk Optimum : Persamaan Euler . . . . . . . . . . . . . . . 6
2.4 Persamaan Euler Yang Lebih Umum . . . . . . . . . . . . . . . . . . . . . . 9
2.4.1 Kasus Peubah banyak . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4.2 Kasus Fungsi f Memuat Turunan ke-n . . . . . . . . . . . . . . . . . 10
2.5 Kasus Khusus Persamaan Euler . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1 Fungsi f Tidak Memuat x . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.2 Fungsi f Tidak Memuat t . . . . . . . . . . . . . . . . . . . . . . . . 12
2.5.3 Fungsi f Tidak Memuat ẋ . . . . . . . . . . . . . . . . . . . . . . . . 13
2.6 Masalah Variasi Dengan Kendala . . . . . . . . . . . . . . . . . . . . . . . . 13
2.6.1 Kendala Titik Dan Persamaan Diferensial . . . . . . . . . . . . . . . 13
2.6.2 Kendala Isoperimetris . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.7 Syarat Batas Dalam Masalah Variasi . . . . . . . . . . . . . . . . . . . . . . 16
i
2.7.1 Dua Titik Ujung Tetap Dan Syarat Batas Natural . . . . . . . . . . . 16
2.7.2 Titik Ujung Bebas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.8 Syarat Cukup / Sufficiency Conditions . . . . . . . . . . . . . . . . . . . . . 21
2.8.1 Variasi Fungsional . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.8.2 Syarat Legendre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.8.3 Syarat Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.8.4 Syarat Weierstrass untuk Ekstremal Kuat . . . . . . . . . . . . . . . 22
2.8.5 Syarat Legendre-Clebsch . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.8.6 Syarat Cukup : Kasus khusus . . . . . . . . . . . . . . . . . . . . . . 23
3 Kontrol Optimum : Pendekatan Kalkulus Variasi 24

3.1 Formulasi Masalah Kontrol Optimum . . . . . . . . . . . . . . . . . . . . . . 24
3.2 Syarat Perlu : Prinsip Maksimum Pontryagin . . . . . . . . . . . . . . . . . 25
3.3 Syarat Transversalitas Atau Syarat Batas . . . . . . . . . . . . . . . . . . . . 30
3.3.1 Masalah Waktu Terminal T Tetap . . . . . . . . . . . . . . . . . . . . 31
3.3.2 Masalah Waktu Terminal T Bebas . . . . . . . . . . . . . . . . . . . 31
3.4 Syarat Cukup Untuk Kontrol Optimum . . . . . . . . . . . . . . . . . . . . . 33
3.5 Current-Value Hamiltonian . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.6 Beberapa contoh masalah nyata kontrol optimum . . . . . . . . . . . . . . . 36
3.7 Kontrol Variabel Berbatas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.7.1 Masalah Kontrol Optimum dengan Variabel State Berbatas . . . . . . 40
3.7.2 Masalah Kontrol Optimum dengan Kendala Persamaan . . . . . . . . 40
3.7.3 Masalah Kontrol Optimum dengan Variabel Kontrol Berbatas . . . . 41
3.8 Kontrol Optimum Linier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.9 Soal-soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.9.1 Soal-soal Kalkulus Variasi . . . . . . . . . . . . . . . . . . . . . . . . 45
3.9.2 Soal-Soal Kontrol Optimum . . . . . . . . . . . . . . . . . . . . . . . 48
3.9.3 Soal-soal Ujian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
ii
Chapter 1
Pendahuluan
1.1 Masalah Optimisasi Dinamis

Masalah pengalokasian optimum dari sumber daya yang terbatas yang memiliki alternatif
penggunaannya, baik pada suatu titik waktu maupun pada jangka waktu tertentu, dapat
melibatkan optimisasi statis maupun optimisasi dinamis. Pilihan antara mengurangi kon-
sumsi masa kini dan konsumsi yang cukup untuk masa depan, merupakan masalah optimisasi
dinamis. Suatu alat yang sangat penting dalam optimisasi dinamis adalah Kalkulus Vari-
asi. Teknik kalkulus variasi ini telah diterapkan dalam masalah ekonomi sejak tahun 1924.
Namun demikian, teknik kalkulus variasi memiliki keterbatasan, yang berarti tidak semua
masalah dapat diselesaikan dengan teknik kalkulus variasi. Teknik kontrol optimum, mampu
mengatasi keterbatasan yang dimiliki oleh teknik kalkulus variasi. Teknik kontrol optimum
berkembang pesat sejak ditemukannya teknik program dynamis oleh Richard Bellman pada
tahun 1957 dan prinsip maksimum oleh Pontryagin pada tahun 1962. Dengan penemuan
tersebut, teknik kontrol optimum yang berkembang mempunyai 2 pendekatan, yaitu pen-
dekatan program dinamis dan pendekatan prinsip maksimum. Dalam kuliah ini, digunakan
pendekatan prinsip maksimum, karena lebih mudah dipahami. Pendekatan prinsip mak-
simum menggunakan teknik yang dikembangkan dalam kalkulus variasi. Oleh karena itu,
pembahasan kuliah dimulai dengan pembahasan topik teknik kalkulus variasi. Dengan bekal
teknik kalkulus variasi, pembahasan difokuskan pada teknik-teknik kontrol optimum.
Secara sederhana, masalah kontrol optimum adalah memilih peubah kontrol u(t) diantara
semua peubah kontrol yang admissible, yaitu kontrol yang membawa sistem dari state awal
x(t0 ) pada waktu t0 kepada state terminal x(T ) pada waktu terminal T, demikian rupa
sehingga memberikan nilai maksimum atau nilai minimum bagi fungsional objektif yang
juga disebut sebagai indeks performance.
1
1.2 State Sistem Dinamis
State atau keadaan sistem dinamis adalah koleksi dari bilangan x(t) ≡ (x1 (t), x2 (t), ..., xn (t))
yang apabila diberikan suatu nilai pada waktu t = t0 , maka nilainya akan dapat ditentukan
pada t ≥ t0 melalui pilihan vektor kontrol u(t) = (u1 (t), u2 (t), ..., xr (t)). Bilangan xi (t) untuk
(1 ≤ i ≤ n, t0 ≤ t ≤ T ) disebut sebagai peubah keadaan atau peubah state, dan ruang
keadaan adalah ruang dimensi n yang memuat koordinat xi (t) (1 ≤ i ≤ n). Dengan cara
yang sama, bilangan ui (t) untuk (1 ≤ i ≤ r t0 ≤ t ≤ T ) disebut sebagai peubah kontrol
atau peubah kendali. Misalnya, x(t) dapat melambangkan peubah ekonomi, seperti GNP,
konsumsi, investasi dan kondisi perekonomian lainnya, serta u(t) mewakili peubah kontrol,
seperti kebijakan suku bunga, pengeluaran pemerintah, suplai uang dan instrumen ekonomi
lainnya yang dapat dikendalikan.
Keadaan atau state suatu sistem pada waktu t, yang disebut dengan sistem dinamis,
direpresentasikan oleh sistem persamaan diferensial dalam hal masalah kontinyu, atau sistem
persamaan beda untuk masalah diskret. Misalnya,
(1.1) ẋ(t) = f [x(t), u(t), t]
atau
(1.2) x(k + 1) = f [x(k), u(k), k].
Sistem dinamis dapat berbentuk linier dan dapat pula berbentuk tak-linier, juga dapat
berbentuk sistem ’autonomous’ (sistem tidak memuat t atau k) atau berbentuk sistem ’non-
autonomous’, dapat pula memiliki koefisien konstanta atau koefisien peubah pada persamaan
diferensial atau persamaan beda. Sistem juga dapat berbentuk deterministik dan juga dapat
berbentuk stokastik. Dalam kuliah ini hanya akan dibahas sistem deterministik.
1.3 Peubah Kontrol

Sistem dinamis dikontrol atau dikendalikan oleh instrumen atau kontrol yang sesuai. Hanya
kontrol yang ’admissible’ ( yaitu kontrol yang memenuhi persyaratan yang diberikan) saja
yang perlu diperhatikan. Misalnya, jika ui (t) menyatakan proporsi pendapatan nasional
yang ditabung untuk membentuk kapital di sektor i, (i = 1, 2, ..., r) maka 0 ≤ ui (t) ≤
1, ∀i, t dan 0 ≤ r1 ui (t) ≤ 1. Secara umum, kendala fisik ini dinyatakan dengan persyaratan
P
bahwa peubah kontrol harus dipilih dari kumpulan kontrol-kontrol yang admissible, yang
dilambangkan dengan Ω(u(t)), artinya, kontrol u(t) ∈ Ω(u(t)). Untuk ilustrasi di atas,
r
X
Ω(u(t)) ≡ {ui (t) : 0 ≤ ui (t) ≤ 1, 0 ≤ ui (t) ≤ 1}
1
Apabila u(t) hanya fungsi dari t, maka disebut kontrol ’open-loop,’ misalnya mengatur
mesin cuci untuk berfungsi dalam jangka waktu tertentu. Apabila kontrol u(t) juga meru-
pakan fungsi dari peubah state x(t), yaitu u(t) = u[x(t), t], maka disebut kontrol ’closed-
2
loop,’ misalnya pengeluaran pemerintah, u(t), merupakan fungsi dari GNP/PDB, x(t), dan
waktu pemilu, t.
1.4 Reachability, Controllability dan Observability

Suatu keadaan x1 dikatakan dapat dicapai (reachable) dari sebarang keadaan x0 pada waktu
t0 jika kontrol u1 (T ) ∈ Ω(u(t)) dapat ditemukan demikian rupa sehingga x(u1 , x0 , t1 ) = x1
untuk waktu t1 ≥ t0 . Koleksi dari semua x1 tersebut disebut reachable states pada waktu t.
Istilah controllability merujuk pada kenyataan bahwa beberapa state terminal x1 dapat
dicapai dari state awal x0 dengan pilihan kontrol u(t)yang tepat, u(t) ∈ Ω(u). Jadi, control-
lability merupakan syarat perlu untuk adanya suatu solusi.
Observability adalah kemampuan untuk menentukan state awal x0 dari observasi data
dan output. Output menyatakan hubungan antara peubah state dengan [eubah kontrol,
misalnya y(t) = g[x(t), u(t), t]. Masalah observability hanya muncul jika output tidak dapat
diukur secara eksplisit.
1.5 Fungsional Objektif

Peubah kontrol u(t) harus dipilih dalam rangka memaksimumkan atau meminimumkan fung-
sional objektif J[u(t)], (fungsional objektif ini merupakan ukuran performance, makanya
kadang-kadang juga disebut indeks performance) :
Z T
(1.3) J[u(t)] = f0 (x(t), u(t), t)dt
t0
dengan f0 adalah fungsi bernilai riel. Jika fungsi
f0 (x, u, t) = π(x, p)e−rt , atau f0 = u(c)e−rt ,
maka fungsional J merupakan nilai kini (present value) dari profit π atau utilitas konsumsi
yang terdiskon pada tingkat diskon r.
Secara umum, terdapat 3 alternatif untuk menyajikan formulasi fungsional objektif ( 1.3),
yaitu :
1. (Formulasi Bolza) Formulasi fungsional objektif bentuk Bolza merupakan formulasi

yang lebih umum.
Z T
(1.4) J[u(t)] = S[x(T ), T ] + f0 (x(t), u(t), t)dt
t0
dengan f0 dan S adalah fungsi yang kontinu dan dapat diturunkan. Fungsi S[x(T ), T ]
dikenal dengan fungsi ’scrap value’ pada waktu terminal T.
3
2. (Formulasi Lagrange ) Formulasi Lagrange merupakan bentuk khusus dari ( 1.4), den-
gan S[x(T ), T ] = 0, yaitu
Z T
(1.5) J[u(t)] = f (x(t), u(t), t)dt
t0
3. (Formulasi Mayer) Formulasi Mayer ini juga merupakan bentuk khusus dari ( 1.4),
dengan f (x(t), u(t), t) = 0, yaitu
(1.6) J[u(t)] = S[x(T ), T ]
Dengan pendefinisian kembali peubah-peubahnya, maka ke-3 alternatif di atas ekivalen. Mis-
alnya, formulasi Bolza dapat dikonversikan menjadi formulasi Mayer dengan mendefinisikan
peubah tambahan xn+1 (t) sebagai
Z t
xn+1 (t) = f (x, u, τ )dτ, xn+1 (t0 ) = 0
t0
akan menghasilkan J = xn+1 (t) + S[x(T ), T ].
1.6 Kalkulus Variasi dan Kontrol Optimum

Dalam masalah kalkulus variasi dalam bentuk baku, tujuannya adalah untuk memaksi-
mumkan atau meminimumkan fungsional objektif
Z T
J[x(t)] = f0 (x(t), ẋ(t), t)dt
0
dengan fungsi kendala atau tanpa kendala; fungsi kendala dapat berupa persamaan diferen-
sial atau persamaan aljabar. Misalnya, ẋ = f (x(t), ẋ(t), t).
Dalam bentuk baku, kontrol optimum mempunyai tujuan untuk memaksimumkan atau
meminimumkan fungsional objektif
Z T
J[u(t)] = f0 (x(t), u(t), t)dt
0
dengan kendala persamaan diferensial ẋ = f (x(t), u(t), t). Apabila ẋ(t) = u(t), maka masalah
kalkulus variasi sama saja dengan masalah kontrol optimum. Kenyataannya, masalah kontrol
optimum dapat diselesaikan dengan teknik kalkulus variasi (persamaan Euler) dan sebaliknya
prinsip Maksimum Pontryagin yang merupakan syarat perlu untuk adanya kontrol optimum
dapat diperlakukan sebagai pengembangan dari kalkulus variasi.
4
Chapter 2
Kalkulus Variasi
2.1 Pendahuluan
Kalkulus variasi merupakan cabang ilmu matematika yang berkaitan dengan pengoptimu-
man fungsional. Cabang ilmu ini telah mulai berkembang sejak ditemukannya masalah
isoperimetris untuk pertamakalinya sekitar tahun 850 B.C. Akan tetapi, progres yang sig-
nifikan dalam cabang ilmu ini baru terjadi sekitar penghujung abad 17 melalui penemuan
masalah brachitoschrone, yang solusinya diberikan oleh Newton, de l’Hospital, John dan
Jacob Bernoulli pada tahun 1696.
Dalam bidang ekonomi, penggunaan kalkulus variasi sudah ada sejak tahun 1920an,
melalui karya Evans (1924 dan 1930), Ramsey (1928) dan Hotelling (1931). Evans dan Roos
berupaya untuk menemukan harga optimum untuk keseluruhan periode perencanaan, seperti
memaksimumkan fungsional keuntungan dari monopolist. Sedangkan Ramsey ingin men-
emukan program penghematan yang meminimumkan perbedaan tingkat utilitas. Masalah
penghematan optimum ini, yang memuat sumber inspirasi dalam teori pertumbuhan ekonomi
yang optimum, diselesaikan dengan kalkulus variasi. Sementara itu Hotelling menggunakan
kalkulus variasi dalam masalah penambangan optimum dari sumber daya alam.
2.2 Fungsional Dan Variasi

Fungsional memainkan perananRpenting dalam kalkulus variasi. Fungsional, misalnya norm
x = kxk, atau misalnya J(x) = ab x(t)dt, adalah suatu aturan yang mengkaitkan tiap fungsi
x ∈ R dengan suatu bilangan tunggal kxk atau J(x). Terdapat analogi antara fungsi den-
gan fungsional. Argumen dari fungsi merupakan peubah, misalnya Rb
x = x(t), sedangkan
argumen dari fungsional merupakan fungsi, misalnya J(x(t)) = a x(t)dt. Apabila fungsi
secara lengkap dapat ditentukan manakala peubahnya diberikan nilai-nilai tertentu, maka
5
suatu fungsional secara lengkap ditentukan oleh pilihan fungsi tertentu dari sekumpulan
fungsi yang admissible. Increment atau kenaikan dari argumen fungsi adalah dt = t − t∗ ,
sementara increment dari argumen fungsional, yang kita sebut dengan variasi dan dengan
notasi δx merupakan selisih δx = x(t)−x(t∗ ). Dalam mempelajari fungsi, kita tertarik untuk
menemukan titik yang memberikan ekstremum untuk fungsi, sedangkan dalam pembahasan
fungsional kita tertarik untuk menemukan fungsi yang memberikan ekstremum untuk fung-
sional.
Variasi dari fungsional J(x) adalah 4J(x) = J(x+δx)−J(x). Dengan mengambil δx = h
sebarang fungsi, maka dengan menggunakan perluasan deret Taylor, maka diperoleh
Z T
J(x + δx) = f (x + h, ẋ + ḣ, t)dt
0
Z T Z T
= f (x, h, t)dt + (hfx + ḣfẋ )dt
0 0
Z T
+ (h2 fxx + 2hḣfxẋ + fẋẋ ḣ2 )dt + Ok h k2
0
Z T Z T
= J(x) + f (x, h, t)dt + (h2 fxx + 2hḣfxẋ + fẋẋ ḣ2 )dt + Ok h k2 ,
0 0
sehingga diperoleh
4J(h) = J(x + h) − J(x)
(2.1) = φ(h) + Q(h) + Ok h k2
= δJ(h) + δ 2 J(h) + Ok h k2
dengan φ(h) merupakan suku-suku linear dalam deret Taylor yang kita sebut dengan variasi
pertama δJ(h) dan Q(h) adalah suku-suku kuadrat yang mengindikasikan variasi kedua
δ 2 J(h) dan Ok h k2 → 0 untuk h → 0.
Definisi 2.1 Fungsional J(x) dikatakan mencapai maksimum (minimum) lokal atau re-
latif sepanjang x∗ (t) apabila 4J(x∗ ) ≥ 0 (≤ 0), yaitu J(x∗ ) ≥ J(x) (J(x∗ ) ≤ J(x))
untuk semua fungsi-fungsi yang cukup dekat dengan x∗ . Fungsional J(x) dikatakan men-
capai maksimum (minimum) global sepanjang x∗ (t) apabila 4J(x∗ ) ≥ 0 (≤ 0), yaitu
J(x∗ ) ≥ J(x) (J(x∗ ) ≤ J(x)) untuk semua fungsi x(t) 6= x∗ (t).
2.3 Syarat Perlu Untuk Optimum : Persamaan Euler

Misalkan C[0, T ] menyatakan kelas semua fungsi kontinu yang terdefinisi pada selang [0, T ]
dan C i [0, T ] menyatakan semua fungsi yang didefinisikan di selang [0, T ] dan memiliki tu-
runan ke-i yang kontinu. Perhatikan masalah variasi dalam bentuk sederhana,
Z T
(2.2) J(x) = f (x, ẋ, t)dt
0
6
dengan titik ujung A(0, x(0)) dan B(T, x(T )) adalah tetap, f (x, ẋ, t), x(t) ∈ C 2 [0, T ] dan
ẋ ≡ dx/dt dan x adalah fungsi bernilai skalar. Permasalahan adalah memilih fungsi x∗ (t)
diantara fungsi-fungsi admissible, yaitu semua fungsi x(t) ∈ C 2 [0, T ] yang memiliki titik
awal di A dan titik akhir di B yang memberikan nilai maksimum atau nilai minimum untuk
fungsional J(x).
Syarat perlu untuk adanya ekstremum adalah δJ(x) = 0. Misalkan
Z T
(2.3) δJ(x) = g(t)h(t)dt
0
dengan g(t) ∈ C[0, T ] dan h(t) sebarang fungsi yang memenuhi h(0) = h(T ) = 0.
Lema 2.1 ( Lema Dasar ) Misal g(t) ∈ C[0, T ] dan S himpunan semua fungsi h(t) kontinu
dan dapat diturunkan di [0, T ] dan h(0) = h(T ) = 0 dengan T adalah tetap. Jika
Z T
(2.4) g(t)h(t)dt = 0
0
untuk semua h ∈ S, maka g(t) = 0 untuk semua t ∈ [0, T ].
Bukti : Misalkan g(t) 6= 0, yaitu g(t) > 0, pada [0, T ]. Dengan sifat kekontinuan, maka
g(t) 6= 0 untuk suatu selang [a, b] ∈ [0, T ], dengan 0 < a < b < T. Misal h(t) ≡ (t − a)(b − t)
untuk t R ∈ [a, b] dan h(t) = 0, ∀t 3 [a, b]. Jelas bahwa h(t) memenuhi persyaratan lema.
Tetapi, 0T g(t)(t − a)(b − t)dt 6= 0. Suatu kontradiksi. Dengan demikian, haruslah g(t) = 0.
RT
Teorema 2.1 Misalkan J(x) = 0 f (x, ẋ, t)dt didefinisikan pada C 0 [0, T ] dan memenuhi
syarat batas x(0) = x0 , x(T ) = xT . Maka syarat perlu bagi J(x) untuk memiliki ekstremum
adalah fungsi x(t) memenuhi persamaan Euler:
d
(2.5) fx − fẋ = 0,
dt
atau dituliskan dalam bentuk penuh, yang disebut persamaan Euler-Lagrange :
(2.6) fx − fẋt − fxẋ ẋ − fẋẋ ẍ = 0.
Bukti : Syarat perlu untuk ekstremum adalah δJ(x) = 0, yaitu

Z T
(2.7) δJ = [fx (x, ẋ, t)h + fẋ (x, ẋ, t)ḣ]dt = 0,
0
7
dengan fx ≡ ∂f (x, ẋ, t)/∂x, fẋ ≡ ∂f (x, ẋ, t)/∂ ẋ dan h(t) adalah fungsi ’displacement’ meru-
pakan fungsi kontinu sebarang dan bersifat h(0) = 0 = h(T ). Dengan melakukan integrasi
bagian terhadap suku kedua, diperoleh
Z T Z T d
ḣfẋ = hfẋ |T0 − ( fẋ )hdt
0 0 dt
Z T d
= 0− ( fẋ )hdt
0 dt
karena h(0) = 0 = h(T ). Sehingga diperoleh
Z T d
(2.8) δJ = (fx − fẋ )hdt = 0,
0 dt
yang pada gilirannya dengan Lema Dasar memberikan persamaan Euler :
d
fx − fẋ = 0.
dt
R1
Contoh 2.1 Tentukan ekstremum dari 0 (aẋ2 + bt)dt, diberikan x(0) = 0, x(1) = 2, a 6=
0.
Solusi :
Fungsi integran adalah dalam bentuk f (ẋ) = aẋ2 +bt. Persamaan Euler memberikan d/dt(2aẋ) =
0, atau ẍ = 0, karena a 6= 0. Lakukan integrasi, maka diperoleh ẋ(t) = c dan x(t) = ct + d,
dengan c dan d merupakan konstanta yang akan ditentukan nilanya dari syarat batas x(0) =
0 dan x(1) = 2. Akhirnya diperoleh solusi yang merupakan garis lurus, yaitu x(t) = 2t.
R 10
Contoh 2.2 Tentukan ekstremum dari 0 f (x, ẋ, t)dt, dengan fungsional objektif didefin-
isikan oleh f (x, ẋ, t) ≡ aẋ2 + bx, dan persyaratan pada kedua titik ujung diberikan oleh
x(0) = 1 dan x(10) = 5.
Solusi :
Fungsi f (x, ẋ, t) = aẋ2 + bx. Maka persamaan Euler fx − dtd fẋ = 0 akan memberikan b −
d
dt
2aẋ = 0. Yang terakhir ini akan memberikan ẍ = b/(2a). Dengan melakukan integrasi dua
kali, maka akan diperoleh solusi umum
b 2
x(t) = t + k 1 t + k2 .
4a
Dengan menggunakan x(0) = 1 dan x(10) = 5, diperoleh k1 = 25b/a, k2 = 1, sehingga
diperoleh solusi khusus
b
x(t) = t2 + 25b/at + 1.
4a
8
Contoh 2.3 Seorang produsen merencanakan produksi dalam rentang waktu [0, 1]. Tingkat
output pada waktu t = 0 adalah nol dan tingkat output pada waktu terminal t = 1 adalah
sebesar 10 satuan produksi. Tentukan tingkat output optimum x(t) apabila produsen di-
hadapkan pada harga pasar stabil, p = 4 satuan moneter dan fungsi ongkos total ẋ2 + x2
yang mengalami diskon pada tingkat suku bunga pasar r = 0, 2.
Solusi :
Fungsional objektif yang akan dimaksimumkan oleh investor adalah
Z 1
J(x) = e−0,2t [4x − (ẋ2 + x2 )]dt, x(0) = 0, x(1) = 10.
0
Persamaan Euler memberikan

d d
fx − fẋ = e−0,2t (4 − 2x) − e−0,2t (−2ẋ) = 0,
dt dt
yaitu menghasilkan ẍ − 0, 2ẋ − x = −2. Solusi dari persamaan diferensial ini adalah
x(t) = k1 eλ1 t + k2 eλ2 t + 2,

√
dengan λ1 , λ2 = 0, 1 ± 0, 01 + 1 merupakan akar dari persamaan karakteristik
λ2 − 0, 2λ − 1 = 0,
dan 2 merupakan solusi dari persamaan diferensial tak homogen. Konstanta k1 dan
k2 adalah konstanta integrasi yang dapat ditentukan dari syarat batas x(0) = 0 dan
x(1) = 10. Akhirnya diperoleh solusi khusus, yaitu
x(t) = 3, 358e1,105t − 5, 358e−0,905t + 2.
2.4 Persamaan Euler Yang Lebih Umum
2.4.1 Kasus Peubah banyak

Perhatikan fungsional objektif J(x) = 0T f (x, ẋ, t)dt, dengan x = (x1 , x2 , ..., xn ) dan ẋ =
R
(x˙1 , x˙2 , ..., x˙n ). Maka, dengan melakukan integrasi bagian terhadap δJ dan dengan menggu-
nakan hi (0) = 0 = hi (T ), ∀i diperoleh :
Z T n
X n
X
δJ = ( hi fxi + ḣi fx˙i )dt = 0
0 1 1
Z T d
= (fxi − fx˙ )hi dt, ∀hi (t).
0 dt i
9
Dengan menggunakan Lema Dasar, akan menghasilkan persamaan Euler
d
(2.9) fxi − fx˙ = 0, ∀i,
dt i
atau dalam bentuk penuh, persamaan Euler-Lagrange
(2.10) fxi − fx˙i t − fxi x˙i ẋi − fx˙i x˙i ẍi = 0, (1 ≤ i ≤ n).
R 10
Contoh 2.4 Tentukan ekstremum untuk 0 (x˙1 2 + x˙2 2 + et )dt dengan syarat batas x1 (0) =
1, x1 (10) = 11 dan x2 (0) = 2, x2 (10) = 6.
Solusi : Fungsi integran dalam bentuk f (x1 , x2 , x˙1 , x˙2 , t) = x˙1 2 + x˙2 2 + et . Persamaan Euler
memberikan
d d
fxi − fẋi = 0 − 2ẋi (i = 1, 2),
dt dt
yaitu ẍi = 0, ẋi = ki , dengan solusinya adalah persamaan linier xi (t) = ki (t)+ci , (i = 1, 2).
Dengan menggunakan syarat batas, maka diperoleh solusi khusus
x1 (t) = t + 1, x2 (t) = 0, 4t + 2.
2.4.2 Kasus Fungsi f Memuat Turunan ke-n

Perhatikan fungsional objektif dengan fungsi f memuat turunan ke-n, (n ≥ 1)
Z T
(2.11) J(x) = f (t, x, ẋ, ẍ, ..., xn )dt
0
dengan titik ujung tetap xi (0) = x0 i , dan xi (T ) = xT i berturut-turut memberikan per-

syaratan h(0) = ḣ(0) = ... = hn (0) = 0, dan h(T ) = 0 = ḣ(T ) = ... = hn (T ). Syarat perlu
untuk adanya ekstremum bagi J(x) adalah
Z T
(2.12) δJ = (fx h + fẋ ḣ + fẍ ḧ + ... + fxn hn )dt = 0.
0
Integrasi bagian terhadap suku kedua integran menghasilkan

Z T Z T d
fẋ ḣdt = fẋ h|T0 − ( fẋ )hdt
0 0 dt
Z T d
= 0− ( fẋ )hdt
0 dt
karena h(0) = 0 = h(T ).
10
Integrasi bagian terhadap suku ketiga integran, dan mengulangi integrasi bagian sampai
diperoleh suku yang memuat perkalian dengan fungsi h, diperoleh :
Z T Z T d
fẍ ḧdt = fẍ ḣ|T0 − ḣ fẍ dt
0 0 dt
d Z T
d2
= 0 − fẍ h|T0 + h 2 fẍ dt
dt 0 dt
Z T 2
d
= 0−0+ h 2 fẍ dt.
0 dt
Penggunaan integrasi bagian secara berulang terhadap suku-suku berikutnya dan dengan
menggunakan syarat h(0) = 0 = ḣ(0) = ḧ(0) = ... = hn (0) dan h(T ) = 0 = ḣ(T ) = ḧ(T ) =
... = hn (T ), menghasilkan
Z T d d2 dn
δJ = (fx − fẋ + 2 fẍ + ... + (−1)n n fxn )hdt = 0.
0 dt dt dt
Dengan Lema Dasar, maka diperoleh persamaan Euler-Poisson :

d d2 dn
(2.13) fx − fẋ + 2 fẍ + ... + (−1)n n fxn = 0.
dt dt dt
R1
Contoh 2.5 Tentukan ekstremum dari 0 (ẍ2 + ẋ + at2 )dt, dengan x(0) = 0, ẋ(0) = 1,
x(1) = 1, dan ẋ(1) = 1.
Solusi : Fungsi objektif adalah f (ẍ, ẋ, x, t) = ẍ2 + ẋ + at2 . Persamaan Euler-Poisson
memberikan
d d2 d d2
fx − fẋ + 2 fẍ = 0 − 1 + 2 2ẍ = 0,
dt dt dt dt
(4)
yang memberikan x = 0. Dengan melakukan integrasi secara berulang, maka diperoleh
solusi umum
k1 t3 k2 t2
x(t) = + + k3 t + k4 ,
6 2
dengan konstanta integrasi k1 , k2 , k3 dan k4 ditentukan dari syarat batas yang diberikan.
Maka akan diperoleh solusi atau ekstremal x(t) = t.
2.5 Kasus Khusus Persamaan Euler
2.5.1 Fungsi f Tidak Memuat x

Fungsional objektif adalah dalam bentuk
Z T
J(x) = f (ẋ, t)dt,
0
11
dengan f tidak memuat x secara ekslpisit. Persamaan Euler akan berbentuk d/dtfẋ = 0.
Ini berarti bahwa fẋ = k, dengan k adalah konstanta. Ini merupakan persamaan diferensial
ordo-1, dengan k merupakan konstanta sebarang. Solusinya diperoleh dengan melakukan
integrasi ẋ.
Jika f bergantung hanya pada ẋ, maka persamaan Euler menjadi
d
fẋ = fẋẋ ẍ = 0.
dt
Hal ini terjadi hanya jika ẍ = 0, yang memberikan ẋ = c, dan x(t) = c1 t + c2 , atau terjadi
jika fẋẋ = 0. Jika fẋẋ memiliki akar nyata, dalam hal ini ẋ(t) = c, maka solusinya adalah
x(t) = c3 t + c4 .
Terlihat bahwa manapun yang berlaku, solusi dari persamaan Euler berbentuk persamaan
garis lurus x(t) = at + b.
R1
Contoh 2.6 Tentukan ekstremum untuk fungsional objektif J(x) = 0 (tẋ + ẋ2 )dt dengan
syarat batas x(0) = 1, x(1) = 1.
Solusi : Karena fungsi f (x, ẋ, t) = tẋ + ẋ2 tidak memuat x, maka persamaan Euler
menghasilkan d/dt(fẋ ) = t + 2ẋ yang memberikan t + 2ẋ = konstanta, atau ẋ = −1/2t + k1 .
Dengan melakukan integrasi secara langsung, diperoleh solusi umum :
1
x(t) = − t2 + k1 t + k2 .
4
Dengan menggunakan syarat batas, diperoleh k1 = 1/4, k2 = 1, sehingga diperoleh

solusi khusus :
1 1
x(t) = − t2 + t + 1.
4 4
2.5.2 Fungsi f Tidak Memuat t

Fungsional objektif dalam bentuk
Z T
J(x) = f (x, ẋ)dt.
0

d
fx − fẋ = fx − fẋx ẋ − fẋẋ ẍ
dt
Kalikan dengan ẋ memberikan
d
fx ẋ − fẋx ẋ2 − fẋẋ ẋẍ ≡ (f − ẋfẋ ) = 0.
dt
Ini berarti bahwa f − ẋfẋ = k.
12
2.5.3 Fungsi f Tidak Memuat ẋ
Fungsional objektif dalam bentuk
Z T
J(x) = f (x, t)dt.
0
Persamaan Euler memberikan fx = 0. Ini bukan persamaan diferensial, tetapi secara umum
merupakan persamaan aljabar tak linier. Umumnya, syarat batas tidak dapat dipenuhi,
karena tidak ada konstanta integrasi. Dengan kata lain, solusi ada hanya jika kurva x = x(t)
melewati titik batas.
2.6 Masalah Variasi Dengan Kendala

Dalam masalah kalkulus variasi, kadangkala terdapat kendala tambahan yang disebabkan
oleh kondisi fisik dari permasalahan. Ekstremum dari fungsional didefinisikan dalam kerangka
kendala tersebut yang sering dikenal dengan sebutan ekstremum berkendala. Implikasi yang
sangat penting dari kendala tersebut adalah variasi δxi bukan lagi merupakan sebarang se-
hingga Lema Dasar tidak dapat diterapkan. Untuk masalah seperti ini digunakan metoda
substitusi atau yang lebih dikenal dengan sebutan pengali Lagrange. Akan dibahas kendala
titik, kendala persamaan diferensial dan kendala isoperimetric.
2.6.1 Kendala Titik Dan Persamaan Diferensial

Perhatikan masalah menentukan ekstremum fungsional
Z T
(2.14) f (x, ẋ, t)dt
0
terhadap kendala
(2.15) gi (x, ẋ, t) = 0, (1 ≤ i ≤ r < n)
dengan x merupakan vektor dimensi-n dan ẋ merupakan turunannya terhadap waktu t, serta
f (x, ẋ, t) adalah fungsi bernilai skalar. Persamaan gi (x, ẋ, t) = 0 disebut dengan kendala
persamaan diferensial. Apabila gi (x, ẋ, t) tidak memuat ẋ maka gi (x, t) = 0 disebut kendala
titik.
Definisikan fungsi Lagrange L sebagai berikut :
(2.16) L ≡ f (x, ẋ, t) + p.gi (x, ẋ, t)
atau dalam bentuk skalar r

X
(2.17) L ≡ f (x, ẋ, t) + pi gi (x, ẋ, t)
i=1
13
dengan x(0) = x0 dan x(T ) = xT . Definisikan fungsional objektif yang diperluas, Ja sebagai
berikut Z T
(2.18) Ja ≡ L(x, ẋ, p, t)dt.
0
Variasi δJa adalah
Z T
δJa = (Lx δx + Lẋ δ ẋ + Lp δp)dt
0
Z T d
(2.19) = [(Lx − Lẋ )δx + Lp δp]dt.
0 dt
Syarat perlu untuk adanya ekstremum adalah δJa = 0 dan dipenuhinya kendala yang ada.
In berarti bahwa persamaan Euler berikut harus dipenuhi, yaitu :
d
(2.20) Lx − Lẋ = 0,
dt
d
(2.21) Lp − Lṗ = 0,
dt
dengan Lx ≡ fx + gx p, dan Lẋ ≡ fẋ + gẋ p, untuk kendala diferensial, dan Lẋ ≡ fẋ untuk
kendala titik. Karena Lṗ = 0 maka diperoleh Lp = g = 0. Solusi, atau ekstremal akan
diperoleh dengan menyelesaikan persamaan diferensial yang diberikan oleh persamaan Euler.
2.6.2 Kendala Isoperimetris

Pada awalnya, masalah isoperimetric adalah masalah mencari kurva dengan panjangnya l
yang melingkari daerah terbesar. Dalam perspektif yang lebih luas, masalah isoperimetric
adalah masalah variasi dengan kendala yang diberikan dalam bentuk integral tentu yang
mempunyai nilai tertentu. Secara matematis, masalah isoperimetric adalah masalah menen-
tukan ekstremum dari fungsional objektif
Z T
(2.22) J(x) = f (x, ẋ, t)dt
0
terhadap kendala
(2.23) xi (0) = xi0 , xi (T ) = xiT , (1 ≤ i ≤ n)
dan Z T
(2.24) gi (x, ẋ, t)dt = li , (1 ≤ i ≤ r < n)
0
dengan li merupakan konstanta. Kendala ( 2.24) dinamakan kendala isoperimetric.

Definisikan fungsi baru yi (t) ≡ 0t gi (x, ẋ, t)dt, dengan yi (0) = 0, dan yi (T ) = li , (1 ≤
R
i ≤ r < n). Dengan menurunkan yi (t) terhadap waktu t maka diperoleh ẏi (t) = gi (x, ẋ, t)
atau gi − ẏi = 0. Dengan cara ini, kendala isoperimetric sudah ditransfer menjadi kendala
14
persamaan diferensial. Jadi, untuk menyelesaikannya, digunakan metode pengali Lagrange.
Fungsional yang diperluas diberikan oleh
Z T
Ja ≡ F (x, ẋ, t)dt
0
Z T r
X
(2.25) = [f (x, ẋ, t) + pi (t)(gi − ẏi )]dt
0 i=1

∂F d ∂F
(2.26) − ( ) = 0 (1 ≤ i ≤ n)
∂xj dt ∂ ẋj
∂F d ∂F
(2.27) − ( ) = 0 (1 ≤ i ≤ r)
∂yj dt ∂ ẏj
Selanjutnya, solusi atau ekstremum akan diperoleh dengan menentukan solusi dari per-
samaan diferensial yang dibentuk oleh persamaan Euler.
RT
Contoh 2.7 Maksimumkan J(x) = 0 ẋ2 dt,
terhadap kendala x(0) = x0 , x(T ) = xT dengan T diberikan, dan

Z T
(1 + x)dt = l, (l konstanta ).
0
Solusi : Definisikan fungsi y(t) dengan

Z t
y(t) ≡ (1 + x)dt dengan y(0) = 0, y(T ) = l.
0
Maka ẏ(t) = 1 + x(t), dan fungsi Lagrange diberikan oleh L = ẋ2 + p(1 + x − ẏ). Sehingga
persamaan Euler memberikan 2ẍ = p, dengan solusinya adalah
p
x(t) = t2 + at + b.
4
Syarat batas memberikan
x(0) = x0 = b
p
x(T ) = xT = T 2 + aT + b
4
Z T Z T p
l = (1 + x)dt = (1 + t2 + at + b)dt
0 0 4
Persamaan yang terakhir ini memberikan
12 a
p= 3
(l − T 2 − (1 + b)T ).
T 2
Persamaan di atas akan memberikan kontanta a, b dan p.
15
2.7 Syarat Batas Dalam Masalah Variasi
2.7.1 Dua Titik Ujung Tetap Dan Syarat Batas Natural

Perhatikan fungsional objektif Z T
(2.28) J(x) = f (x, ẋ, t)dt
0
Syarat perlu terdapatnya ekstremum adalah δJ = 0, dengan
Z T
δJ = (fx h + fẋ ḣ)dt
0
Z T d
(2.29) = (fx − fẋ )hdt + hfẋ |T0 = 0.
0 dt
d
Karena persamaan Euler harus dipenuhi, yaitu fx − f
dt ẋ
= 0, maka suku kedua pada
persamaan ( 2.29) haruslah memenuhi
(2.30) hfẋ |T0 = 0.
Jika titik awal A(0, x0 ) dan titik terminal B(T, xT ) merupakan dua titik tetap, maka h(0) =
0 = h(T ), atau X(0) = x0 , x(T ) = xT dan persamaan ( 2.30) dipenuhi. Permasalahan
seperti ini dikenal dengan sebutan masalah dua titik ujung tetap.
Apabila titik ujung x(0) dan x(T ) tidak diberikan, maka fungsi h(t) tidak lagi memenuhi
h(0) = 0 = h(T ). Sehingga untuk dapat terpenuhinya persyaratan ( 2.30) haruslah dipenuhi
(2.31) fẋ = 0 pada t = 0 dan fẋ = 0 pada t = T.
Persyaratan ini dikenal dengan sebutan syarat batas natural. Persamaan ( 2.31) akan menen-
tukan konstanta integrasi.
Contoh 2.8 Perhatikan masalah brachistochrone yang meminimumkan fungsional objektif

Z T q
J(x) = 1/ (1 + ẋ2 )dt,
0
dengan T = 10 dan x(0) = 4.
Solusi : Persamaan Euler memberikan ẍ = 0, yang memberikan solusi x(t) = at + b.

Apabila x(0) = 4 dan T = 10, tetapi x(10) belum ditentukan, maka kita gunakan syarat
fẋ |t=10 = 0, yaitu
ẋ(10)
fẋ |t=10 = = 0,
(1 + ẋ2 (10))1/2
memberikan ẋ(10) = a = 0. Sedangkan x(0) = 4 memberikan b = 4, sehingga diperoleh
solusi khusus x(t) = 4.
16
2.7.2 Titik Ujung Bebas
Perhatikan masalah menentukan ekstremum untuk fungsional objektif
Z T
(2.32) J(x) = f (x, ẋ, t)dt
t0
dengan t0 , T, x(t0 ) dan x(T ) semuanya belum diketahui. Untuk memudahkan pemba-
hasan, misalkan t0 = 0 dan x(0) = x0 adalah tetap, sedangkan T dan x(T ) adalah bebas.
Variasi pertama adalah
Z T
δJ = (fx h + fẋ ḣ)dt + f (.)|T δT
0
Z T d
(2.33) = (fx − fẋ )hdt + hfẋ |T + f (.)|T δT
0 dt
Karena variasi pada titik ujung tidak mempengaruhi variasi dalam selang terbuka (0, T ),
maka syarat perlu untuk δJ = 0 adalah dipenuhinya persamaan Euler, yaitu
d
(2.34) fx − fẋ = 0.
dt
Akibatnya, persamaan ( 2.33) menjadi δJ = fẋ h|T + f (.)|T δT = 0. Dengan menggunakan
informasi h(T ) = δxT − ẋ(T )δT, menghasilkan Syarat Batas atau Syarat Transversalitas :
(2.35) (f (.)|T − ẋfẋ |T )δT + fẋ |T δxT = 0.
Syarat batas ini akan menentukan nilai T dan xT . Terdapat 2 kasus yang perlu diper-
hatikan. Kasus pertama apabila variasi δxT dan δT saling bebas. Akibatnya, koefisien dari
δxT dan δT dalam persamaan ( 2.35) masing-masing sama dengan nol, yaitu
(2.36) f (.)|T − ẋfẋ |T = 0, dan fẋ |T = 0,
yang secara bersama menghasilkan
(2.37) f (.)|T = 0 = fẋ |T .
Kasus kedua apabila titik ujung B(T, xT ) bergerak sepanjang kurva x(t) = g(t). Untuk
kasus ini, maka δxT = ġ(T )δT. Dengan substitusi ini ke dalam persamaan ( 2.35) meng-
hasilkan
(2.38) (f (.) + [ġ(T ) − ẋ(T )]fẋ )t=T δT = 0.
Analisis yang sama berlaku pula untuk kasus titik awal bebas, yaitu apabila t0 dan x(t0 )
bebas. Secara umum, Syarat Transversalitas atau Syarat Batas ( 2.35) menjadi
(2.39) [f (.) − ẋfẋ ]δt|t=T t=T

t=t0 + fẋ δx(t)|t=t0 = 0.
17
Dengan cara yang sama seperti analisis untuk satu titik ujung tetap, maka untuk kasus
variasi δxT dan δT saling bebas, diperoleh
(2.40) f (.)|t=T t=T

t=t0 = 0 = fẋ |t=t0
dan untuk kasus titik ujung bergerak sepanjang kurva g, akan diperoleh
(2.41) [f (.) + (ġ − ẋ)fẋ ]|t=T

t=t0 δT = 0.
Syarat Transversalitas di atas mencakup semua kasus yang ada, sebagai berikut :
1. Apabila kedua titik ujung terletak pada garis lurus t = t0 dan t = T, maka δt0 = 0 = δT
sehingga suku pertama dalam persamaan ( 2.39) menjadi nol dan persamaan ( 2.39)
menjadi
fẋ δx(t)|t=T
t=t0 = 0.
2. Apabila titik ujung A dan B tetap, yaitu x(t0 ), x(T ) dan t0 dan T tetap, maka
δt0 = 0 = δT dan δx(0) = 0 = δx(T ). Jadi kita mempunyai masalah dua titik ujung
tetap, dan konstanta integrasi ditentukan oleh syarat batas pada titik A dan B.
3. Apabila x0 dan xT tetap, tetapi t0 dan T bebas, maka δx(0) = 0 = δx(T ), tetapi
δt0 6= 0 dan δT 6= 0. Persamaan ( 2.39) memberikan
(f (.) − ẋfẋ )|t=T

t=t0 = 0.
4. Titik ujung bebas, yaitu x0 , xT , t0 dan T semuanya bebas, maka Syarat Transver-
salitas ( 2.39) harus dipenuhi. Dalam hal ini,
(f (.) − ẋfẋ )|t=T

t=t0 = 0,
dan
fẋ |t=T
t=t0 = 0.
5. Titik ujung bebas, yaitu x(t0 ), x(T ), t0 dan T semuanya bebas, tetapi x(t0 ) dan x(T )
harus bergerak sepanjang kurva x(t0 ) = g1 (t0 ) dan x(T ) = g2 (T ). Maka konstanta
integrasi akan ditentukan oleh
[f + (ġ1 − ẋ)fẋ ]|t=t0 = 0
dan
f + (ġ2 − ẋ)fẋ ]|t=T = 0.
6. Kombinasi dari semua kasus-kasus di atas.
7. Kadangkala dalam masalah ekonomi, syarat yang diberikan pada titik ujung tidak se-
lalu dalam bentuk suatu nilai, tapi dibatasi oleh suatu nilai. Misalnya, jumlah produksi
x pada waktu terminal haruslah lebih besar dari suatu nilai.
18
Perhatikan masalah memaksimumkan fungsional objektif
Z T
(2.42) J(x) = f (x, ẋ, t)dt, x(t0 ) = x0 ,
t0
x(T ) ≥ xT , (xT diberikan, T tetap.).

Maka syarat batas yang harus dipenuhi oleh masalah seperti ini adalah
∂f
|t=T ≤ 0, (= 0, jika x(T ) > xT ).
∂ ẋ
Definisikan
(2.43) p(t) ≡ −∂f /∂ ẋ,

(2.44) H ≡ f (x, ẋ, t) − ẋfẋ ≡ f + pẋ.
Syarat Transversalitas ( 2.39) dapat dituliskan dalam bentuk
(2.45) (Hδt + pδx)|t=T

t=t0 = 0.
Untuk kasus waktu awal t0 dan waktu terminal T bebas, maka H(t0 ) = 0 = H(T ).
Sedangkan untuk kasus x(t0 ) dan x(T ) belum ditentukan maka p(t0 ) = 0 = p(T ).
Syarat Batas dan Penentuan Konstanta Integrasi

Kasus Substitusi Syarat Batas
T dan x(T ) δxT = 0 x? (0) = x0
dua2nya ditentukan δT = 0 x? (T ) = xT
x(T ) bebas δx(T ) 6= 0 x? (0) = x0
T ditentukan δT = 0 fẋi |t=T = 0
x(T ) = xT tetap δxT = 0 x? (0) = x0
T bebas δT 6= 0 x? (T ) = xT
H ≡ (f − ẋfẋ )|t=T = 0
x(T ) dan T δx(T ) 6= 0 x? (0) = x0
dua2nya belum ditentukan δT 6= 0 fẋ |t=T = 0
dan saling bebas H ≡ (f − ẋfẋ )|t=T = 0
x(T ) dan T bebas ẋ(T ) = ġ(T )δT x? (0) = x0 , x? (T ) = g(T )
tetapi x(T ) = g(T ) δxi (T ) = ġi (T )δT (f + (ġ(T ) − ẋ(T ))fẋ )|t=T = 0
T tetap xT diberikan fẋ |t=T ≤ 0, (= 0, x(T ) > xT )
x(T ) ≥ xT
Contoh 2.9 Perhatikan masalah meminimumkan fungsional objektif J(x) dengan

Z 2
J(x) = (ẋ2 + xẋ + 2ẋ + 4x)dt
0
dengan x(0) dan x(2) belum ditentukan.
19
Solusi : Persamaan Euler memberikan ẍ = 2, dengan solusinya adalah
x(t) = t2 + k1 t + k2 .
Konstanta k1 dan k2 akan ditentukan dari syarat
fẋ = 2ẋ + x + 2 = 0, untuk t = 0, dan t = 2.
Syarat di atas memberikan k1 = −6, k2 = 10. Sehingga diperoleh solusi
x(t) = t2 − 6t + 10.
Contoh 2.10 Tentukan ekstremum untuk fungsional objektif

Z T
J(x) = (x + ẋ2 )dt
0
dengan setiap kasus kendala berikut :
1. x(0) = 1, T = 2, x(2) = 10 ( dua titik ujung tetap ).
2. x(0) = 1, T = 2, x(2) bebas ( titik ujung bebas ).
3. x(0) = 1, x(T ) = 4, T bebas tetapi T > 2 ( waktu terminal bebas ).
Solusi : Persamaan Euler memberikan 1 − 2ẍ = 0, yang memberikan solusi

1
x(t) = t2 + k1 t + k2 ,
4
dengan konstanta k1 dan k2 akan ditentukan untuk setiap kasus sebagai berikut :
1. x(0) = 1 ⇒ k2 = 1, x(2) = 10 ⇒ k1 = 4, sehingga solusi adalah

1
x(t) = t2 + 4t + 1.
4
2. x(0) = 1 ⇒ k2 = 1. Untuk menentukan k1 gunakan fẋ = 2ẋ = 0 pada t = T, yaitu
ẋ(T ) = 0, memberikan k1 = −1. Jadi, diperoleh solusi
1
x(t) = t2 − t + 1.
4
3. x(0) = 1 ⇒ k2 = 1. Untuk menentukan k1 gunakan persyaratan (f − ẋfẋ )|t=T = 0,
yang menghasilkan −ẋ2 (T ) + x(T ) = 0. Ini akan memberikan k1 = ±1. Untuk k1 =
1 ⇒ T = 2. sedangkan untuk k1 = −1 ⇒ T = 6. Karena T > 2, maka haruslah
k1 = −1. Sehingga diperoleh solusi optimum adalah
1
x(t) = t2 − t + 1, T = 6.
4
20
2.8 Syarat Cukup / Sufficiency Conditions
2.8.1 Variasi Fungsional

Perhatikan fungsional objektif
Z T
(2.46) J(x) = f (x, ẋ, t)dt.
0
Variasi total dari fungsional objektif adalah
4J(h) ≡ J(x + h) − J(x)

Z T 1Z T
= (fx h + fẋ ḣ)dt + (fxx h2 + 2fxẋ hḣ + fẋẋ ḣ2 )dt + O(k h k)2
0 2 0
≡ δJ(h) + δ 2 J(h) + O(k h k)2
= variasi pertama + variasi kedua + orde lebih tinggi
dengan O(k h k)2 → 0 untuk h → 0.

Pada kurva ekstremum, δJ(h) = 0 dan 4J(h) harus memiliki tanda yang sama dengan
tanda δ 2 J(h). Untuk memudahkan pembahasan, tuliskan variasi kedua sebagai berikut :
2 1Z T
δ J(h) = (fxx h2 + 2fxẋ hḣ + fẋẋ ḣ2 )dt
2 0
Z T
(2.47) ≡ (P ḣ2 + Qh2 )dt
0
dengan P ≡ P (t) ≡ 21 fẋẋ ; Q ≡ Q(t) = 12 (fxx − dtd fxẋ ) dan dengan melakukan integrasi
bagian maka diperoleh 0T 2fxẋ hḣdt = − 0T ( dtd fxẋ )h2 dt. Untuk masalah meminimumkan,
R R
δ 2 J(h) ≥ 0, dan untuk masalah memaksimumkan, δ 2 J(h) ≤ 0. Untuk fokusnya, kita lihat
masalah meminimumkan, dan untuk masalah memaksimumkan, tinggal mengganti tanda
yang berlawanan. Akan dilihat kondisi-kondisi yang membuat δ 2 J(h) ≥ 0.
Akan ditunjukkan bahwa δ 2 J(h) ≥ 0, jika dan hanya jika (P ḣ2 + Qh2 ) ≥ 0 untuk semua
h(t) yang memenuhi h(0) = 0 = h(T ). Fungsi h(t) yang memenuhi sifat ini bernilai kecil jika
ḣ(t), ∀t ∈ (0, T ) juga bernilai kecil, tapi sebaliknya tidak berlaku. Apabila fungsi h(t) yang
bersifat se[erti di atas dapat ditemukan demikian rupa sehingga h(t) kecil tetapi ḣ(t) besar
untuk tin(0, T ), maka P ḣ2 mendominasi Qh2 dalam penentuan tanda dari δ 2 J(h), seperti
yang ditunjukkan oleh lema dan teorema berikut.
2.8.2 Syarat Legendre

RT
Lema 2.2 Misalkan δ 2 J(h) = 0 (P ḣ2 + Qh2 )dt didefinisikan untuk fungsi h(t), yang memi-
liki sifat dapat diturunkan pada ∀t ∈ (0, T ) dan memenuhi h(0) = 0 = h(T ). Maka syarat
21
RT
perlu untuk δ 2 J(h) = 0 (P ḣ2 + Qh2 )dt ≥ 0 adalah P (t) ≥ 0, ∀t ∈ (0, T ). Ini disebut Syarat
Legendre.
RT
Teorema 2.2 (Legendre). Syarat perlu bagi fungsional objektif J(x) = 0 f (x, ẋ, t)dt
dengan syarat pada titik ujung x(0) = x0 , x(T ) = xT untuk memiliki nilai minimum (
atau maksimum ) untuk semua kurva x = x(t) adalah dipenuhinya syarat Legendre P (t) ≥ 0
untuk semua t ∈ (0, T ).
Teorema Legendre ini, sayangnya masih merupakan syarat perlu. Upaya Legendre untuk
membuktikannya sebagai syarat cukup untuk optimum mengalami kegagalan.
2.8.3 Syarat Jacobi

Upaya Legendre yang gagal, membawa kepada suatu persamaan diferensial linier ordo-2
dalam v,
d
− (P v̇) + Qv = 0.
dt
Teorema 2.3 Perhatikan persamaan diferensial orde-2
d
(2.48) − (P v̇) + Qv = 0.
dt
Jika P > 0 (< 0) dan solusi v(t) untuk semua fungsi v(t) yang dapat diturunkan
memenuhi sifat v(0) = 0 = v(T ), maka δ 2 J > 0 (< 0) artinya nilai minimum ( atau nilai
maksimum ) telah diperoleh. Ini disebut syarat perlu Jacobi.
2.8.4 Syarat Weierstrass untuk Ekstremal Kuat
Teorema 2.4 Definisikan fungsi ekstra E dengan
(2.49) E(x, ẋ, p, t) = f (x, ẋ, t) − f (x, p, t) − (ẋ − p)fp
dengan p(t, x) adalah fungsi kemiringan/ ’slope’ dari ekstremum yang melalui titik (t, x).
Apabila Jacobi dipenuhi maka E ≤ 0 untuk masalah memaksimumkan dan E ≥ 0 untuk
masalah meminimumkan.
22
2.8.5 Syarat Legendre-Clebsch
Teorema 2.5 Fungsi ekstra E dapat disederhanakan menjadi
(ẋ − p)2
(2.50) E≡ fẋẋ (t, x, q)
2!
dengan q = θẋ + (1 − θ)p, (0 < θ < 1). Supaya x(t) mencapai minimum ( atau maksimum)
adalah cukup dipenuhi syarat Legendre-Clebsch E ≥ 0 (≤ 0) yang berarti fẋẋ ≥ 0 (≤ 0),
atau dalam bentuk yang lebih umum, matriks [fẋẋ ] merupakan semi-definit positif ( atau
negatif ) dan syarat Jacobi dipenuhi untuk semua ẋ.
2.8.6 Syarat Cukup : Kasus khusus
Teorema 2.6 (Mangasarian). Misalkan f (x, ẋ, t) merupakan fungsi yang dapat diturunkan
dua kali dan concave/cembung ( convex/cekung) dalam x dan ẋ. Maka syarat perlu dan syarat
RT
cukup untuk x? sebagai maksimum ( atau minimum ) dari fungsional J(x) = 0 f (x, ẋ, t)dt
adalah dipenuhinya persamaan Euler dan x(0) = x0 , dan x(T ) = xT .
23
Chapter 3
Kontrol Optimum : Pendekatan

Kalkulus Variasi
3.1 Formulasi Masalah Kontrol Optimum

Teori kontrol optimum berkembang secara pesat pada tahun 50-an, dengan adanya pene-
muan 2 metode penyelesaian masalah kontrol optimum, yaitu dynamic programming yang
ditemukan oleh Richard Bellman (1957) dan maximum principle yang ditemukan oleh Pon-
tryagin (1962).
Dengan alasan kepraktisan, pembahasan akan difokuskan pada teknik ’maximum prin-
ciple’, yang dapat didekati dengan metode kalkulus variasi, terutama yang terkait dengan
syarat perlu yang tertuang dalam persamaan Euler. Lagi pula, masalah kalkulus variasi den-
gan kendala persamaan differensial merupakan masalah kontrol optimum, dengan mengganti
peubah ẋ dengan peubah kontrol u(t).
Perhatikan suatu masalah ekonomi yang berkembang menurut waktu. Pada waktu t,
sistem berada dalam keadaan atau kondisi (state), yang dapat diungkapkan dengan peubah
keadaan (state variables) x1 (t), x2 (t), ..., xn (t), atau dalam bentuk vektor x(t) ∈ Rn . Dengan
nilai t yang berbeda, vektor x(t) me-nempati posisi yang berbeda di ruang Rn . Dalam hal
ini, kita katakan bahwa sistem bergerak sepanjang suatu kurva di Rn .
Misalkan proses yang terjadi pada ekonomi (yang membuat x(t) bervariasi/bergerak)
dapat dikendalikan atau dikontrol. Artinya, ada fungsi kontrol atau variable controls atau
decision variables u1 (t), u2 (t), ..., uk (t) atau dalam bentuk vektor u(t) ∈ Rk , k ≤ n, yang
mempengaruhi proses. [Contoh : pajak, tingkat suku bunga, alokasi investasi, dsb.] Ten-
tunya kita harus mengetahui aturan/hukum/kaidah yang membentuk perilaku ekonomi sep-
anjang waktu, yang kita sebut dengan dinamika dari sistem.
24
Sistem yang akan kita lihat adalah sistem yang dibentuk oleh sistem persamaan differ-
ensial :
(3.1) ẋ(t) = f (x(t), u(t), t)
dengan f = (f1 , f2 , ..., fn ), fi dan ∂fi /∂xi adalah kontinu.
Misal state dari sistem diketahui pada waktu t0 sehingga x(t0 ) = x0 , x0 ∈ Rn . Jika
dipilih kontrol u(t) = (u1 (t), u2 (t), ..., uk (t)) ∈ Rk yang terdefinisi untuk waktu t ≥ t0 , maka
diperoleh sistem x(t). Jadi, x(t) merupakan respons terhadap kontrol u(t), sehingga kadang-
kadang dituliskan sebagai xu (t). Untuk setiap fungsi kontrol u(t) dan respons xu (t) atau
disingkat x(t), dikaitkan suatu bilangan J yang didefinisikan oleh
Z T
(3.2) J[u(t)] = S[x(T ), T ] + f0 (x(t), u(t), t)dt
t0
dengan fungsi f0 adalah suatu fungsi yang diberikan dan S[x(T ), T ] merupakan fungsi ’scrap’.
Waktu akhir atau waktu terminal T tidak selalu harus tetap, dan x(T ) dapat saja memiliki
batasan tertentu.
Definisi 3.1 Misalkan U menyatakan kelas dari semua fungsi yang kontinu bagian. Masalah
kontrol optimum (MKO) adalah masalah menentukan fungsi kontrol u? (t) diantara fungsi
admissible u(t) ∈ U yang membawa sistem dari state awal x0 kepada state akhir/terminal
xT yang memenuhi kondisi akhir/terminal, melalui sistem
(3.3) ẋ(t) = f (x(t), u(t), t)
sehingga fungsional J mencapai nilai maksimum. Dengan kata lain, masalah kontrol opti-
mum adalah masalah memaksimumkan fungsional objektif
Z T
(3.4) max J[u(t)] = S[x(T ), T ] + f0 (x(t), u(t), t)dt
u(t)∈U t0
terhadap kendala ẋ(t) = f (x(t), u(t), t), x(t0 ) = x0 , x(t) ∈ Rn .
3.2 Syarat Perlu : Prinsip Maksimum Pontryagin
Teorema 3.1 Misalkan u? (t) sebagai kontrol admissible yang membawa state awal (x(t0 ), t0 )
kepada target state terminal (x(T ), T ), dengan x(T ) dan T secara umum tidak ditentukan.
Misalkan x? (t) merupakan trajektori dari sistem yang berkaitan dengan u? (t). Supaya kon-
trol u? (t) merupakan kontrol optimum adalah perlu terdapat fungsi vektor p? (t) 6= 0, dan
konstanta p0 demikian rupa sehingga
25
1. p? (t) dan x? (t) merupakan solusi dari sistem kanonik
∂H ?
(3.5) ẋ? (t) = (x (t), u? (t), p? (t), t)
∂p
∂H ?
(3.6) ṗ? (t) = − (x (t), u? (t), p? (t), t)
∂x
dengan fungsi Hamilton H diberikan oleh
(3.7) H(x, u, p, t) = f0 (x(t), u(t), t) + p.f (x(t), u(t), t)
dengan p0 ≡ 1.
2. H(x? (t), u? (t), p? (t), t) ≥ H(x(t), u(t), p(t), t)
3. Semua syarat batas dipenuhi.
Bukti : Untuk memudahkan pembahasan, ambil t0 = 0 dan x(0) = x0 . Tuliskan fungsi

’scrap’ S[x(T ), T ] dalam bentuk
Z T d
(3.8) S[x(T ), T ] ≡ S[x0 , 0] + S[x(t), t]dt
0 dt
sehingga fungsional objektif J dalam persamaan ( 3.2) dapat ditulis dalam bentuk yang
berikut :
Z T d
(3.9) J[u(t)] = S[x0 , 0] + S(x(t), t)]dt
[f0 (x(t), u(t), t) +
t0 dt
Z T
∂S ∂S
(3.10) = S[x0 , 0] + [f0 (.) + ẋ + ]dt
t0 ∂x ∂t
Suku S[x0 , 0] dapat diabaikan untuk mempermudah pembahasan, karena x(0) = x0 sudah
tetap, sehingga tidak mempengaruhi proses optimisasi.
Tuliskan fungsional objektif yang diperluas Ja (u) sebagai berikut
Z T
(3.11) Ja (u) ≡= L(x, ẋ, p, u, t)dt
t0
dengan fungsi L didefinisikan oleh

∂S ∂S
(3.12) L(x, ẋ, p, u, t) ≡ f0 (.) + p[f (.) − ẋ] + ẋ +
∂x ∂t
∂S ∂S
(3.13) ≡ H(x, u, p, t) − pẋ + ẋ +
∂x ∂t
dengan H(x, u, p, t) ≡ f0 (x, u, t) + pf (x, u, t) merupakan fungsi Hamilton.
26
Dengan menggunakan syarat perlu untuk adanya ekstremum pada fungsional objektif
yang diperluas, maka
Z T d
(3.14) δJa (u) = [(Lx −
Lẋ )δx + Lu δu + Lp δp]dt
0 dt
(3.15) + [Lẋ δx + (L − Lẋ ẋ)δt]t=T = 0.
Karena persamaan Euler harus dipenuhi, maka haruslah

d ∂ d
(3.16) Lx − Lẋ = Hx + (Sx ẋ + St ) − (Sx − p)
dt ∂x dt
= Hx + Sxx ẋ + Sxt − Sxx ẋ − Sxt + ṗ
= Hx + ṗ = 0.
Ini memberikan
(3.17) ṗ = −Hx
Karena δu dan δp adalah sebarang dan saling bebas, maka haruslah Lu = 0 dan Lp = 0.
Dari pendefinisian fungsi L, maka
Lu = H u , dan Lp = f (.) − ẋ = Hp − ẋ,
sehingga diperoleh
(3.18) Hu = 0
(3.19) ẋ = f (x, u, t) = Hp
Syarat transversalitas atau syarat batas diberikan oleh suku-suku sisanya, yaitu
(3.20) [Lẋ δx + (L − Lẋ ẋ)δt]t=T = 0.
Tetapi
Lẋ = Sx − p
L − Lẋ ẋ ≡ H − pẋ + Sx ẋ + St − ẋSx + ẋp
= H + St
sehingga diperoleh syarat transversalitas atau syarat batas
(3.21) (Sx − p)δx|t=T + [H(t) + St ]δt|t=T = 0.
Apabila x(t0 ) dan t0 dua-duanya belum ditentukan pula, maka syarat batas menjadi
(3.22) (Sx − p)δx|t=T t=T

t=t0 + [H(t) + St ]δt|t=t0 = 0
yang menghasilkan teorema Pontryagin.

Catatan :
27
1. H(x? (t), u? (t), p? (t), t) ≥ H(x(t), u(t), p(t), t) disebut dengan Prinsip Maksimum Pon-
tryagin. Kondisi ini dipenuhi oleh Hu = 0 dan Huu < 0, untuk masalah yang kita
bicarakan. Jika u ∈ U dan U himpunan tertutup, maka Hu = 0 tidak memiliki arti,
kecuali maksimum dari H diberikan oleh bagian dalam (interior ) himpunan U.
2. Jika H fungsi monoton naik dalam peubah u, dan U tertutup, maka kontrol opti-
mum adalah uimax untuk masalah memaksimumkan dan uimin untuk masalah memini-
mumkan. Jika H fungsi monoton turun, maka kontrol optimum adalah uimin untuk
masalah memaksimumkan dan uimax untuk masalah meminimumkan. Hal ini juga
berlaku apabila H adalah fungsi linier dalam u. Sehingga peubah kontrol optimum ui
adalah kontinu bagian dan loncat dari satu vertex ke vertex lainnya. Ini adalah kasus
khusus dari kontrol ’bang-bang.’
3. H(x? (t), u? (t), p? (t), t) ≥ H(x(t), u(t), p(t), t) juga mencakup syarat cukup.
4. Vektor p disebut juga vektor adjoint, memiliki peranan sebagai pengali Lagrange.
Dalam masalah optimisasi dinamis, peubah atau vektor adjoint merupakan ’shadow
price’ nilai marginal dari vektor atau peubah x, menunjukkan jumlah kenaikan/penurunan
untuk setiap kenaikan/penurunan dalam nilai x pada waktu t yang berkontribusi ter-
hadap fungsional objektif optimum J. Sedangkan ṗ mengindikasikan tingkat kenaikan
(appresiasi untuk ṗ > 0,) atau penurunan ( depresiasi untuk ṗ < 0 )dalam nilai dari
tiap unit modal.
5. dH/dt = ∂H/∂t.
6. ṗ = −Hx , Hu = 0, ẋ = Hp memberikan syarat perlu untuk masalah yang dibicarakan.
7. Syarat batas diberikan oleh persamaan ( 3.22). Apabila fungsi scrap S = 0, maka
persamaan ( 3.22) menjadi
(3.23) p(t)δx(t)|t=T t=T

t=t0 + H(t)δt|t=t0 = 0.
Khususnya, apabila waktu awal t0 dan x(t0 ) telah ditentukan, sedangkan T dan x(T )
belum ditentukan, maka syarat batas menjadi
−p(T )δx(T ) + H(T )δT = 0.
Contoh 3.1 Minimumkan fungsional objektif

Z 1
J(u(t)) = (x + u2 )dt
0
dengan kendala
ẋ(t) = −u(t); x(0) = 0, x(1) bebas .
28
Solusi : Dalam masalah di atas, f0 (x, u, t) = x + u2 , fungsi f (x, u, t) = −u(t). Maka fungsi
Hamilton adalah
H(x, u, p, t) = f0 (x, u, t) + pf (x, u, t) = x + u2 + p(−u(t))
sehingga diperoleh
Hu = 2u(t) − p(t) ⇒ u? (t) = p(t)/2; Huu = 2 > 0.
ṗ(t) = −Hx = −1, memberikan p(t) = −t + k1 . Karena fungsi scrap S = 0, dan x(1)
belum ditentukan ( dan T = 1), maka syarat batas p(1)δx(1) = 0, yang memberikan p(1) =
−1 + k1 = 0, yaitu k1 = 1, dan p(t) = −t + 1. Sistem dinamis menjadi
ẋ(t) = −u(t) = −p(t)/2

1 t 1
= − (−t + 1) = − ,
2 2 2
yang memberikan solusi
1
x(t) = t2 − + k2
2
dengan k2 = 0, karena x(0) = 0. Jadi solusi optimum adalah
1
x? (t) = t2 −
2
p? (t) = −t + 1
t 1
u? (t) = −
2 2
Contoh 3.2 Minimumkan fungsional objektif
1 2 1Z 1 2
J(u(t)) = x(1) + u dt
2 2 0
dengan kendala ẋ = −u(t), x(0) = 1.
Solusi : Fungsi Hamilton adalah H = 21 u2 − pu, sehingga Hu = u − p = 0. Ini memberikan

u(t) = p(t); Huu = 1 > 0. ṗ = −Hx = 0. Ini memberikan p(t) = k, konstanta. Sedangkan
ẋ = −u = −p memberikan
x(t) = −pt + k1 == −pt + 1, karena x(0) = 1.
Syarat batas p(1) = Sx = x(1) memberikan p(1) = x(1) = −p + 1, yaitu p? (t) = 21 . Sehingga
diperoleh solusi optimum
1 1
x? (t) = − t + 1, p? (t) = u? (t) = .
2 2
29
Perhatikan masalah kontrol optimum satu dimensi yang memaksimumkan fungsional
objektif J Z T
(3.24) max J[u(t)] = f0 (x(t), u(t), t)dt
u(t)∈U t0
terhadap kendala
(3.25) ẋ(t) = f (x(t), u(t), t), x(t0 ) = x0 , T dan xT tetap
dan salah satu dari syarat terminal berikut :
1. x(T ) = xT ,
2. x(T ) ≥ xT ,
3. x(T ) bebas
dan kontrol u(t) ∈ U.
Teorema 3.2 Syarat perlu untuk adanya kontrol optimum adalah ∃(p0 , p(t)) 6= (0, 0) dan
(3.26) H(x? (t), u? (t), p? (t), t) ≥ H(x(t), u(t), p(t), t)

∂H ?
(3.27) ẋ? (t) = (x (t), u? (t), p? (t), t)
∂p
∂H ?
(3.28) ṗ? (t) = − (x (t), u? (t), p? (t), t)
∂x
(3.29) p0 = 1 atau p0 = 0,
dan syarat batas yang sesuai adalah :
1. p(T ) tanpa syarat,
2. p(T ) ≥ 0 (= 0 jika x? (T ) > x(T )),
3. p(T ) = 0.
3.3 Syarat Transversalitas Atau Syarat Batas

Perhatikan masalah kontrol optimum yang memaksimumkan fungsional objektif
Z T
(3.30) max J[u(t)] = S[x(T ), T ] + f0 (x(t), u(t), t)dt
u(t)∈U t0
30
terhadap kendala
(3.31) ẋ(t) = f (x(t), u(t), t), x(t0 ) = x0 , x(t) ∈ Rn .
Maka syarat transversalitas atau syarat batas diberikan oleh
(3.32) (Sx − p)∂x|t=T + [H + St ]∂t|t=T = 0.
3.3.1 Masalah Waktu Terminal T Tetap

Dengan waktu terminal T tetap, maka δT = 0, dan persamaan ( 3.32) menjadi
(3.33) (Sx − p)∂x|t=T = 0
Terdapat 3 kasus untuk masalah ini, yaitu :

Kasus 1 : State terminal (akhir) tetap, x(T ) = xT .
Untuk kasus ini, jelas bahwa δx(T ) = 0, dan persamaan ( 3.32) tidak memberikan in-
formasi apa-apa. Malahan informasi tersebut tidak diperlukan, karena konstanta integrasi
akan diberikan oleh x(t0 ) = x0 dan oleh x(T ) = xT .
Kasus 2 : State Terminal Bebas.
Untuk kasus ini, jelas bahwa δx(T ) 6= 0 sehingga diperoleh p(T ) = Sx . Apabila tanpa
S[x(T ), T ], yaitu S[x(T ), T ] = 0, maka syarat batas adalah p(T ) = 0.
Kasus 3 : State Terminal berada pada manifold M [x(T ), T ] = 0.
Apabila state terminal berada pada manifold M [x(T ), T ] = 0 dengan M merupakan
vektor, maka syarat batas menjadi
(3.34) (Rx − p)∂x|t=T = 0
dengan
(3.35) R[x(T ), T ] ≡ S[x(T ), T ] + µM [x(T ), T ]
dengan µ merupakan pengali Lagrange. Jadi syarat batas atau syarat transversalitas menjadi
p(T ) = Rx .
3.3.2 Masalah Waktu Terminal T Bebas

Syarat batas menjadi
(3.36) (Rx − p)∂x|t=T + [H + St ]∂t|t=T = 0.
Terdapat 3 kasus untuk masalah ini, yaitu :
Kasus 4 : State Terminal x(T ) = xT Tetap
Jelas bahwa δx(T ) = 0, sehingga diperoleh
(3.37) H(T ) + St |t=T = 0.
31
Apabila tanpa fungsi scrap, maka H(T ) = 0.
Kasus 5 : State Terminal x(T ) Bebas, yaitu δx(T ) 6= 0.
Maka syarat batas menjadi
p(T ) = Sx [x(T ), T ], dan H(T ) + St |t=T = 0
Apabila fungsi scrap tidak ada, maka p(T ) = 0 = H(T ).

Kasus 6 : State Terminal Bebas, tapi memenuhi M [x(T ), T ] = 0.
Maka syarat batas menjadi
p(T ) = Rx , H(T ) + Rt |t=T = 0, M [x(T ), T ] = 0.
32
Ringkasan Syarat Batas/Transversalitas Conditions Kontrol Optimum
(Sx − p)δx|t=T + [H(t) + St ]δt|t=T = 0.
Kasus Substitusi Syarat Batas

Waktu Terminal T tetap ( δT = 0)
x(T ) = xT tetap δx(T ) = 0 x(0) = x0 , x(T ) = xT
δT = 0 (tidak ada batasan pada p(T ))
x(T ) bebas δx(T ) 6= 0 x(0) = x0
yaitu δx(T ) 6= 0 δT = 0 p(T ) = Sx
State terminal x(T ) δx(T ) 6= 0 x(0) = x0
0
berada pada M (x, t) = 0 δT = 0 p(T ) = Sx + Mx µ
M (x(T ), T ) = 0
Waktu Terminal T bebas ( δT 6= 0)
x(T ) = xT tetap δx(T ) = 0 x(0) = x0
δT 6= 0 x(T ) = xT
H(T ) + St = 0 pada t = T
x(T ) bebas δx(T ) 6= 0 x(0) = x0
δT 6= 0 p(T ) = Sx [x(T ), T ]
H(T ) + St = 0 pada t = T
x(T ) tidak diberikan δx(T ) 6= 0 x(0) = x0
0
berada pada manifold δT 6= 0 p(T ) = Rx ≡ Sx + Mx
M (x(T ), T ) = 0 H(T ) + Rt = 0
M =0
3.4 Syarat Cukup Untuk Kontrol Optimum

Syarat H(x? (t), u? (t), p? (t), t) ≥ H(x(t), u(t), p(t), t) dalam Prinsip Maksimum Pontryagin
sekaligus memberikan syarat cukup. Variasi total dari fungsional yang diperluas Ja (u) adalah
4Ja (u) ≡ Ja (u) − Ja (u? ) = δJa (u) + δ 2 Ja (u) + O(u).
Tanpa mempedulikan orde yang lebih tinggi O(u) dan pada saat ekstremum variasi pertama
δJa (u) = 0, maka terlihat bahwa tanda dari 4Ja (u) ditentukan oleh tanda dari variasi
kedua δ 2 Ja (u), yang harus bertanda tak-positif untuk maslah maksimum dan tak-negatif
untuk masalah minimum.
Dengan mengabaikan fungsi scrap, yaitu S(x(T ), t) = 0, maka variasi kedua δ 2 Ja (u)
diberikan oleh " 2
∂2H
#" #
Z T ∂ H
2 2 δx
δ Ja (u) = 1/2 ( δx δu ) ∂∂2 Hx ∂x∂u
∂2H dt
0 ∂u∂x 2
∂ u
δu
dengan Hxx ≡ [δ 2 H/δxi δxj ], merupakan turunan dari Hx terhadap x yang dihitung pada
(x? , p? , u? , t). Hal yang sama berlaku untuk Hux (= Hxu ) dan Huu .
33
Teorema 3.3 Kontrol adalah maksimum lokal, dengan kata lain u? (t) merupakan kontrol
optimum dari fungsional J jika :
∂H
1. ∂u
(x? (t), u? (t), p? (t), t) = 0, ∀t ∈ [0, T ];
2. Variasi kedua δ 2 Ja (u) ≤ 0 ∀(δx, δu) 6= (0, 0).
2
yang berakibat bahwa pada u = u? , ∂∂ 2Hu adalah definit negatif dan matrik He (Hessian) berikut
merupakan matrik definit negatif,
" ∂2H ∂2H #
∂2x ∂x∂u
He =
∂2H ∂2H
∂u∂x ∂2u
Teorema 3.4 Jika f0 dan f, dan akibatnya H = f0 +p.f adalah fungsi concave, maka syarat
perlu juga merupakan syarat cukup.
Teorema 3.5 (Mangasarian Sufficiency Theorem).
Misalkan (x? , u? ) merupakan pasangan admissible. Misalkan U concave dan ∂fi /∂uj ada
dan kontinu. Jika ∃p(t) = (p1 , p2 , . . . , pn ) dan p0 = 1 sehingga
∂H
1. ṗi = − ∂xi
, ∀i = 1, 2, . . . , n
∂H
(u?j (t) − uj (t) ≥ 0, ∀u ∈ U
P
2. ∂uj
3. Hamiltonian H adalah concave dalam (x, u), ∀t
maka (x? , u? ) merupakan solusi optimum. Jika H strictly concave, maka (x? , u? ) merupakan
solusi tunggal.
Teorema 3.6 (The Arrow Sufficiency Theorem).
Misalkan (x? , u? ) merupakan pasangan admissible. Jika ∃ p(t) = (p1 , p2 , . . . , pn ) dan

p0 = 1 sehingga
H(x? , u? ), p, t) ≥ H(x? , u, p, t), ∀t ∈ [0, T ] dan ∀u ∈ U ,
34
Ĥ(x, p, t) = max H(x, u, p, t) dan Ĥ(x, p, t) concave,
u∈U
maka (x? , u? ) merupakan solusi optimum. Jika Ĥ(x, p, t) strictly concave maka x? tunggal,
sedangkan u? belum tentu tunggal.
3.5 Current-Value Hamiltonian

Penggunaan teori kontrol optimum dalam masalah ekonomi,fungsi integrand f0 sering memuat
faktor diskon e−ρt . Dengan demikian, fungsi integrand f0 secara umum dapat dituliskan men-
jadi
f0 (t, x, u) = G(t, x, u)e−ρt
sehingga masalah kontrol optimum menjadi memaksimumkan fungsi nilai
Z T
max V = G(t, x, u)e−ρt dt
0
terhadap kendala ẋ = f (t, x, u) ditambah dengan syarat batas. Dengan definisi standar,
fungsi Hamilton dapat dituliskan dalam bentuk
H(t, x, u, p) = G(t, x, u)e−ρt + p(t)f (t, x, u).
Akan tetapi, karena prinsip maksimum menggunakan turunan fungsi Hamilton terhadap x
dan u, dengan hadirnya faktor diskon akan menambah kerumitan penentuan turunan terse-
but. Untuk itu, dikenalkan fungsi Hamilton baru, yang sering disebut dengan Current-Value
Hamiltonian. Untuk menerapkan konsep current-value Hamiltonian, diperlukan konsep
current-value pengali Lagrange, atau current value fungsi adjoint. Misalkan m(t) menyatakan
current-value pengali Lagrange, yang didefinisikan dengan m(t) = p(t)eρt , yang berimplikasi
p(t) = m(t)e−ρt . Sehingga fungsi current-value Hamiltonian, yang dinotasikan dengan Hc ,
dapat dituliskan menjadi
Hc ≡ Heρt = G(t, x, u) + m(t)f (t, x, u).
Perhatikan bahwa, Hc , sebagaimana yang diinginkan, sudah tidak memuat faktor diskon.
Juga, perhatikan bahwa H ≡ Hc e−ρt . Kemudian penerapan prinsip maksimum Pontryagin
terhadap Hc , harus disesuaikan. Karena u yang memaksimumkan H juga akan memaksi-
mumkan Hc , jadi
max
u
Hc , ∀t ∈ [0, T ].
Persamaan state yang muncul dalam sistem kanonik, aslinya adalah ẋ(t) = ∂H/∂p.
Karena
∂H ∂Hc
= f0 (t, x, u) = ,
∂p ∂m
maka persamaan ini disesuaikan menjadi
∂Hc
ẋ(t) = .
∂m
35
Persamaan untuk peubah adjoint yang muncul dalam sistem kanonik, aslinya adalah
dalam bentuk ṗ(t) = −∂H/∂x. Pertama-tama, transformasikan masing-masing suku dalam
bentuk yang melibatkan peubah adjoint baru, m(t), kemudian hasilnya disamakan. Untuk
suku kiri,
ṗ(t) = ṁ(t)e−ρt − ρm(t)e−ρt .
Dengan memanfaatkan definisi H, suku kanan dapat dituliskan kembali dalam bentuk
∂H ∂Hc −ρt
− =− e .
∂x ∂x
Dengan menyamakan kedua persamaan tersebut di atas, menghasilkan
∂Hc
ṁ(t) = − + ρm(t).
∂x
Tersisa sekarang adalah memeriksa kondisi(syarat) batas. Untuk syarat batas p(T ) = 0,
memberikan syarat batas yang sesuai, yaitu m(T )e−ρT = 0. Untuk syarat batas [H]t=T = 0,
menghasilkan syarat batas yang sesuai [Hc e−ρt ]t=T = 0.
3.6 Beberapa contoh masalah nyata kontrol optimum

1. Portfolio Selection and Consumption Model
Model ini pertama kali dikembangkan oleh R.Merton, dengan merumuskan persamaan
diferensial stokastik untuk pertumbuhan kekayaan investor, yang dikenal dengan sebu-
tan budget equation. Misalkan W (t) menyatakan jumlah kekayaan investor pada waktu
t, dan yang dapat diinvestasikan pada 2 aset, yaitu pada aset bebas resiko dan aset
beresiko. Problem pemilihan portofolio dan konsumsi optimal untuk investor yang
hidup T tahun diformulasikan sebagai berikut :
Z T
(3.38) max J[u, C] = E{ U (C(t), t)dt + B(W (T ), T )}
u,C 0
dengan kendala budget equation
(3.39) dW (t) = (1 − u)W rdt + uW (αdt + σdB(t)) − Cdt;

(3.40) W (0) = W0 ,
dengan W0 > 0, u(t) menyatakan proporsi kekayaan yang diinvestasikan pada aset
beresiko pada waktu t dengan 0 ≤ u(t) ≤ 1, C(t), (≥ 0), menyatakan tingkat konsumsi
pada waktu t. Fungsi utilitas U diasumsikan strictly concave dan bequest function B
juga concave.
2. Konsumsi versus Investasi
36
Perhatikan masalah kontrol optimum yang memaksimumkan fungsional objektif J se-
bagai berikut : Z T
(3.41) max J(u(t)) = U (1 − u(t))dt
0
terhadap kendala
ẋ(t) = u(t), x(0) = x0 , x(T ) ≥ xT , u(t) ∈ [0, T ], x0 < xT < x0 + T.
Masalah di atas mempunyai interpretasi ekonomi sebagai berikut : Negara menerima
bantuan tetap sebesar 1 satuan ekonomi. x(t) dapat menyatakan tingkat infrastruktur
pada waktu t, u(t) menyatakan proporsi dari bantuan yang dialokasikan untuk inves-
tasi pada infrastruktur pada waktu t, sedangkan 1 − u(t) menyatakan bagian dari ban-
tuan yang dialokasikan untuk konsumsi. U menyatakan fungsi utilitas. Periode peren-
canaan adalah untuk jangka waktu [0, T ], x(T ) ≥ xT menyatakan bahwa pada akhir
periode perencanaan tingkat infrastruktur sekurang-kurangnya berada pada tingkat
xT . Masalah perencanaan adalah menentukan berapa banyak dari bantuan yang harus
dialokasikan untuk investasi pada infrastruktur supaya tingkat utilitas maksimum.
3. A two-sector model
Perhatikan suatu ekonomi yang terdiri atas dua sektor, dimana sektor 1 mempro-
duksi investment goods sedangkan sektor 2 memproduksi consumption goods. Mis-
alkan xi , i = 1, 2, menyatakan jumlah produksi sektor i per satuan waktu, dan
misalkan u(t) menyatakan proporsi investasi yang dialokasikan pada sektor 1. Kita
asumsikan x˙1 = aux1 dan x˙2 = a(1 − u)x1 , dengan a merupakan suatu konstanta
positif. Kenaikan jumlah produksi per satuan waktu dalam setiap sektor diasumsikan
proporsional terhadap besarnya investasi yang dialokasikan pada sektor tersebut. Den-
gan pemahaman tersebut, kontrol 0 ≤ u(t) ≤ 1, dan periode perencanaan dimulai
pada t = 0, sehingga x1 (0) dan x2 (0) diketahui besarnya. Untuk situasi seperti ini,
berbagai macam masalah kontrol optimum dapat diinvestigasi. Salah satunya adalah
masalah memaksimumkan total konsumsi pada periode waktu [0, T ].
Masalah kontrol optimum tersebut, secara matematis dituliskan seperti berikut :
Z T
max J(u) = x2 (t)dt,
0
dengan kendala :
x˙1 = aux1 , x1 (0) = x01 , x1 (T ) bebas
0 ≤ u(t) ≤ 1.
x˙2 = a(1 − u)x1 , x2 (0) = x02 , x2 (T ) bebas
4. Model pertumbuhan ekonomi neo klasik

Menentukan proporsi menabung sehingga memaksimumkan jumlah konsumsi per kapita
dan memenuhi persamaan dasar model pertumbuhan ekonomi neo klasik, yang secara
matematis diformulasikan sebagai berikut :
Z ∞
(3.42) max J(st ) = (1 − st )f (kt )e−ρt dt
0≤st ≤1 0
(3.43) Dengan kendala k̇t = st f (kt ) − λkt , kt ≥ 0,
37
dimana kt = kapital per tenaga kerja, st = proporsi menabung, f (kt ) = output per
kapita.
5. Masalah Konsumsi dan Investasi Model Waktu Diskret-Kontinu

Formulasi masalah konsumsi dan investasi untuk investor yang memiliki dua instrumen
investasi, yaitu aset bebas resiki dan aset beresiko adalah sebagai berikut : Masalah
kontrol optimum untuk investor diberikan oleh
Z ∞
(3.44) U (x0 ) ≡ max E[ e−δt u(Ct ) dt],
(T,W,V,C)∈U 0
dengan kendala, untuk n = 1, 2, 3, ...,
(3.45) xτn+1 = ( 1 − ε ) [ xτn − Wτn ] er Tn + Vτn [ Γn+1 − er Tn ],
dan Mt ≥ 0, dan xτn+1 ≥ 0.

Masalah kontrol optimum di atas diselesaikan dengan cara modifikasi, menjadi seperti
berikut ∞
1
e−δτn Qνn Wτγn ],
X
(3.46) U (x0 ) = max E[
{T ∈T ,W ∈W,V ∈V}
n=1 γ
terhadap kendala, untuk n = 1, 2, 3, ...,
(3.47) xτn+1 = (1 − ε) [ xτn − Wτn ] er Tn + Vτn [ Γn+1 − er Tn ] ≥ 0,
dimana Tn = τn+1 − τn .
Pengaplikasian prinsip keoptimalan Bellman pada U, menghasilkan
1 γ
(3.48) U (xτn ) = max {Qνn W + e−δTn E [U (xτn+1 )|Hτn ]},
{Tn ,Wτn ,Vτn } γ τn
terhadap kendala, untuk n = 1, 2, 3, ...,
(3.49) xτn+1 = (1 − ε) [ xτn − Wτn ] er Tn + Vτn [ Γn+1 − er Tn ] ≥ 0.
6. Optimal Monetary Policy

Untuk aplikasi dalam masalah ekonomi, perhatikan model Optimal Monetary Pol-
icy yang dikembangkan oleh Peterson dan Lerner (1971). Sistem yang digunakan
berdasarkan studi empris Friedman yang sudah dimodifikasi, yaitu :
a2 d2 x(t) dx(t)
(3.50) 2
+a + x(t) = u(t)
2 dt dt
dengan x(t) menyatakan proportional rate of growth of money income, u ≡ m + bṁ
dimana m ≡ (1/M )(dM/dt) merupakan proportional rate of change of money supply
M (t) dan b suatu konstanta. a = konstanta yang merepresentasikan the length of
38
2
business cycle. Dengan mendefinisikan x = x1 , ẋ = x2 , d dtx(t)
2 = ẋ2 , maka masalah di
atas dapat dituliskan dalam bentuk sistem
(3.51) ẋ(t) = Ax(t) + bu(t)
Objektif dari otoritas moneter adalah untuk mencapai rate of growth of national in-
come yang stabil pada waktu mendatang, yaitu x(T ) = x1T ; ẋ(T ) = 0 dengan cara
menggunakan optimal money supply policy. Masalah ini sama saja dengan memini-
mumkan fungsional objektif J = 0T dt. Dengan demikian, masalah menjadi masalah
R
kontrol optimum yang meminimumkan fungsional objektif

Z T
(3.52) J(u) = dt
0
dengan kendala
(3.53) ẋ(t) = Ax(t) + bu(t)
dengan x(0) ≡ (x1 (0), x2 (0)) = (x10 , x20 ) diberikan dan x(T ) ≡ (x1 (T ), x2 (T )) =
(x1T , 0), |u| ≤ 0.1
3.7 Kontrol Variabel Berbatas

Z T
J[u(t)] = f0 (x(t), u(t), t)dt
0
dengan kendala ẋ(t) = f (x(t), u(t), t), dan kontrol u memenuhi kendala gi (x(t), u(t), t) ≥ 0,
dan x(t) dan ẋ(t) ∈ Rn dan u(t) ∈ Rk . Masalah kontrol optimum di atas dapat ditransfor-
masikan menjadi masalah dengan kendala persamaan. Hal ini dilakukan dengan membuat
variable semu ζ̇ sehingga gi (x, u, t) − ζ̇i2 = 0. Definisikan fungsi F dengan
F = H − pẋ + λ(g − ζ̇i2 ).
Teorema 3.7 Misalkan u? (t) merupakan kontrol admissible yang mentransfer x(0) kepada
target (x(T ), T ) dan memberikan ekstremal untuk fungsional J. Definisikan fungsi Ĥ = p0 f0 +
pf + λg. Supaya u? (t) adalah optimal, maka perlu terdapat p0 , p(t) dan λ(t) pada interval
waktu [0, T ] sehingga :
1. (p0 , p(t)) 6= (0, 0),
2. ẋ(t) = Ĥp ,
39
3. ṗ(t) = −Ĥx ,
4. Ĥu = 0, atau Ĥ(x? , u? , p0 , p) ≥ Ĥ(x? , u, p0 , p)
5. λi ≥ 0, gi ≥ 0, dan λi gi = 0.
Pada waktu terminal T berlaku Ĥ(T )δT + FŻ δZ|T = 0.
3.7.1 Masalah Kontrol Optimum dengan Variabel State Berbatas

Masalah kontrol optimum adalah memaksimumkan fungsional objektif J yang diberikan oleh
Z T
J[u(t)] = f0 (x(t), u(t), t)dt
0
dengan kendala ẋ(t) = f (x(t), u(t), t), dan x(t) ≥ ϕ(t), x(t), ẋ(t) ∈ Rn dan u(t) ∈ Rk .
Definisikan Z 2 ≡ x(t) − ϕ(t). Masalah kontrol optimum di atas ditransformasikan menjadi
Z T
J[u(t)] = f0 (x(t), u(t), t)dt
0
dengan kendala ẋ(t) = f (x(t), u(t), t), dan g(x) − Z 2 = 0, dengan g(x) = x(t) − ϕ(t).
Kemudian definisikan F = H − pẋ + λ(g − Z 2 ). Dengan menentukan persamaan Euler dari
F , maka diperoleh fungsi Hamiltonian yang dilengkapi :
Ĥ = f0 (x, u, t) + p.f (x, u, t) + λg(x, t)
dengan λ merupakan pengali Lagrange. Untuk g > 0 maka λ = 0, dan untuk g ≡ 0, maka
λ 6= 0.
3.7.2 Masalah Kontrol Optimum dengan Kendala Persamaan

Hadirnya kendala persamaan pada masalah kontrol optimum diperlakukan sama seperti pada
masalah calculus variasi.
Perhatikan masalah kontrol optimum memaksimumkan fungsional objektif J
Z T
(3.54) max J[u(t)] = f0 (x(t), u(t), t)dt
0
dengan kendala
(3.55) ẋi (t) = f (x(t), u(t), t), (1 ≤ i ≤ n)

(3.56) ψi (x, u, t) = 0, (1 ≤ i ≤ q ≤ n)
Z T
(3.57) Ii (x) ≡ φi (x, u, t)dt − li = 0, (1 ≤ i ≤ m)
0
40
dengan li = konstanta untuk (i = 1, 2, . . . , m), f0 , fi dan φi diasumsikan fungsi ”well
behaved”. Masalah tersebut merupakan masalah kendala isoperimetric dan kendala titik.
Seperti pada calculus variasi, kita definisikan fungsi yi , dimana
Z t
yi ≡ φi (x, u, t)dt, (1 ≤ i ≤ m)
0
yi (0) = 0; yi (T ) = li , ẏi (t) = φi (x, u, t), (1 ≤ i ≤ m).

Dengan demikian, kendala isoperimetric sudah ditransfer menjadi kendala dalam bentuk per-
samaan diferensial. Selanjutnya, trayektori optimal harus memenuhi kendala titik ψi (x, u, t) =
0, dengan asumsi bahwa matrik Jacobian [∂ψi /∂uj ] mempunyai rank q, dengan kata lain
ψi = 0 merupakan persamaan yang saling bebas. Definisikan fungsi Hamiltonian Ĥ dengan
(3.58) Ĥ = f0 (x, u, t) + pf (x, u, t) + λφ(x, u, t) + µψ(x, u, t)
Teorema 3.8 Jika u? (t) memaksimumkan J maka terdapat p(t), λ dan µ yang tidak se-
muanya nol sehingga
1. λi merupakan konstanta
2. p(t) kontinu dan memenuhi
(a) ẋ(t) = f (x(t), u(t), t)
(b) ṗ = −Ĥx
(c) Ĥu = 0
(d) ψ = 0
3. Ĥ(x, u? , p, µ, t) ≥ Ĥ(x, u, p, µ, t) untuk semua u? (t) yang memenuhi ψ(x, u? , t) = 0.
3.7.3 Masalah Kontrol Optimum dengan Variabel Kontrol Berbatas

Z T
(3.59) J[u(t)] = f0 (x(t), u(t), t)dt
0
dengan kendala
(3.60) ẋ(t) = f (x(t), u(t), t)
(3.61) gi (x, u, t) ≥ 0 (1 ≤ i ≤ q ≤ r ≤ n)
Kendala ketaksamaan ditransfer menjadi kendala persamaan dengan mengenalkan peubah
semu ξ˙ sehingga
(3.62) gi (x, u, t) − ξ˙i2 = 0, (1 ≤ i ≤ q.)
41
Teorema 3.9 Misalkan u? merupakan kontrol admissible yang mentransfer (x0 , 0) kepada
target (x(T ), T ). Supaya u? (t) merupakan kontrol optimum, maka terdapat p(t) 6= 0 dan λ(t)
sehingga :
1. ẋ = H p
2. ṗ = −H x ≡ −(Hx + λgx )
3. H u = 0 ⇐⇒ Hu + λgu = 0, λi ≥ 0, gi ≥ 0 dan λi gi = 0.
dengan Hamiltonian H = f0 + pf + λg ≡ H + λg.
Catatan : Apabila kendala dari peubah kontrol dalam bentuk mi ≤ ui ≤ Mi , mi , Mi

bilangan yang diberikan, maka
 ≥ 0, jika u?i = Mi

∂H 
= 0, jika mi < ui < Mi
∂ui  ?
≤ 0, jika ui = mi

Dengan demikian, kendala g menjadi :
(3.63) gi ≡ Mi − ui , (i = 1, 2, . . . , r)
(3.64) gj ≡ uj − mj , (j = r + 1, . . . , 2r).
Atau,
1 − u − ζ̇12 = 0, u + 1 − ζ̇12 = 0.
3.8 Kontrol Optimum Linier

Masalah kontrol optimum linier adalah masalah kontrol optimum dimana fungsi Hamilto-
nian merupakan fungsi linier dari peubah kontrol. Sifat linier tersebut dapat muncul pada
Hamiltonian karena fungsi objektif dan atau fungsi kendala merupakan fungsi linier dari
peubah kontrol.
Secara umum, fungsi Hamiltonian dalam bentuk linier dapat dituliskan dalam bentuk
berikut :
(3.65) H ≡ ψ(x, p, t) + σ(x, p, t)u(t)
dengan σ(x, p, t) menyatakan kumpulan koefisien dari u(t) yang disebut sebagai switch-
ing function, dan ψ(x, p, t) merupakan kumpulan koefisien yang tidak memuat u(t). Secara
umum, untuk kontrol yang tidak bounded, kontrol ekstremum tidak ada. Kalau kontrol
berbatas, maka kontrol ekstremal tersebut akan terdapat pada batas-batasnya.
42
Misalkan u berbatas, misalnya mi ≤ ui ≤ Mi , ∀i, dengan mi dan Mi berturut-turut
merupakan nila minimum dan maksimum yang dapat dicapai oleh ui . Apabila mi dan Mi
merupakan konstanta, maka dapat ditulis sebagai −1 ≤ ui ≤ 1. Dengan menerapkan prinsip
maksimum Pontryagin pada masalah seperti ini, maka diperoleh kontrol optimum u?i berikut
: (
1(atau Mi ) jika σi > 0
u?i =
−1(atau mi ) jika σi < 0
Jadi, kalau u(t) muncul linier dalam fungsi Hamiltonian dan tiap komponen ui berbatas,
maka kontrol optimum u?i (t) tak kontinu : loncat dari nilai minimum ke nilai maksimum
atau sebaliknya sebagai respons terhadap perubahan tanda dari σi . Dengan alasan ini, maka
σ(x, p, t) disebut sebagai switching function dan kontrol u?i disebut sebagai kontrol bang
bang.
Perhatikan sistem berikut :
(3.66) ẋ(t) = Ax(t) + Bu(t)
dengan x adalah vektor dimensi-n, u vektor dimensi-r, A adalah matrik nxn dan B adalah
matrik nxr, |ui | ≤ 1, (1 ≤ i ≤ r). Kontrol harus dipilih sehingga mentransfer sistem dari
posisi awal x0 kepada state akhir x(T ) = 0 dalam waktu minimum. Hal ini berarti bahwa
fungsional objektif adalah dalam bentuk meminimumkan waktu, yaitu : min J(u) = 0T dt.
R
Fungsi Hamiltonian diberikan oleh
(3.67) H ≡ 1 + p0 Ax + p0 Bu
(3.68) ṗ = −Hx = −A0 p
Switching function σ ≡ p0 B ≡ p0 [b1 , b2 , . . . , bn ] dengan bi menyatakan kolom ke-i, (1 ≤ i ≤ r)

dari matrik B. Karena |ui | ≤ 1, ∀i dan H fungsi linier dari u, maka kontrol diperoleh, yaitu
:
untuk σi ≡ p0 bi > 0 : bang bang

 1

?
ui = −1 untuk σi ≡ p0 bi < 0 : bang bang
undetermined untuk p0 bi = 0 : singular


Untuk kasus di atas, tidak mungkin terjadi p = 0 sehingga p0 bi = 0. Jadi, kontrol singular
tidak mungkin terjadi. Akibatnya, kontrolnya adalah bang bang. Satu hal yang perlu diingat
bahwa dalam masalah meminimumkan waktu, kontrol optimum tidak selalu ada. Apabila
tidak ada kontrol admissible yang membawa sistem ke target yang didinginkan, maka kontrol
optimum tidak ada.
Dalam masalah kontrol optimum, 3 teorema berikut sangat bermanfaat (teorema ini
dibuktikan oleh Pontryagin).
1. Existence Theorem : Apabila matrik A merupakan matrik stabil (artinya, semua

nilai eigen mempunyai bagian real yang positif), maka untuk titik x0 , terdapat kontrol
optimum yang mentransfer x0 ke titik origin.
2. Uniqueness Theorem : Jika kontrol optimum ada, maka kontrol tersebut tunggal.
43
3. Switching Theorem : Misal nilai eigen dari matrik A semuanya bernilai real. Maka
ada kontrol optimum yang tunggal. Tiap-tiap ui , (1 ≤ i ≤ r), yang merupakan kon-
stanta piecewise, hanya bernilai maksimum dan minimum, dan mengalami switching
tidak lebih dari n − 1.
Contoh : Optimal Monetary Policy Untuk aplikasi dalam masalah ekonomi, perhatikan
model Optimal Monetary Policy yang dikembangkan oleh Peterson dan Lerner (1971). Sis-
tem yang digunakan berdasarkan studi empris Friedman yang sudah dimodifikasi, yaitu :
a2 d2 x(t) dx(t)
(3.69) + a + x(t) = u(t)
2 dt2 dt
dengan x(t) menyatakan proportional rate of growth of money income, u ≡ m + bṁ dimana
m ≡ (1/M )(dM/dt) merupakan proportional rate of change of money supply M (t) dan b
suatu konstanta. a = konstanta yang merepresentasikan the length of business cycle. Dengan
mendefinisikan
d2 x(t)
x = x1 , ẋ = x2 , = ẋ2 ,
dt2
maka masalah di atas dapat dituliskan dalam bentuk sistem
(3.70) ẋ(t) = Ax(t) + bu(t)
Objektif dari otoritas moneter adalah untuk mencapai rate of growth of national income
yang stabil pada waktu mendatang, yaitu x(T ) = x1T ; ẋ(T ) = 0 dengan cara menggunakan
optimal moneyR supply policy. Masalah ini sama saja dengan meminimumkan fungsional
objektif J = 0T dt. Dengan demikian, masalah menjadi masalah kontrol optimum yang
meminimumkan fungsional objektif
Z T
(3.71) J(u) = dt
0
dengan kendala
(3.72) ẋ(t) = Ax(t) + bu(t)
dengan x(0) ≡ (x1 (0), x2 (0)) = (x10 , x20 ) diberikan dan x(T ) ≡ (x1 (T ), x2 (T )) = (x1T , 0),
|u| ≤ 0.1 Masalah ini merupakan masalah kontrol optimum linier, dan Hamiltonian diberikan
oleh
(3.73) H ≡ 1 − (2p2 /a2 )x1 + (p1 − 2p2 /a)x2 + (2/a2 )p2 u
Switching function σ = (2/a2 )p2 dan optimal policy diberikan oleh
(
0, 1 jika p2 (t) > 0
u? (t) =
−0, 1 jika p2 (t) < 0
Kalau u? (t) sudah diperoleh, maka m? dan M ? dapat ditentukan. Karena ṗ = −Hx = −A0 p
dan nilai eigen dari matrik −A0 adalah µ = 1/a ± i/a, maka
p2 (t) = et /a(c1 cos t/a + c2 sin t/a).
44
Fungsi p2 ini yang bertindak sebagai switching function tidak pernah bernilai nol. State
system diperoleh dengan menyelesaikan ẋ(t) = Ax(t) ± 0, 1b. Karena nilai eigen dari A
adalah µ = −1/a ± i/a, maka solusi x adalah
(3.74) x1 (t) = ±0, 1 + e−t/a (c3 cos t/a + c4 sin t/a), untuk u = ±0, 1
(3.75) x2 (t) = 1/ae−t/a {(c4 − c3 ) cos t/a − (c3 + c4 ) sin t/a}
3.9 Soal-soal Latihan
3.9.1 Soal-soal Kalkulus Variasi

1. Tentukan ekstremum, jika ada, dari fungsional berikut :
R1 2
(a) J(x) = 0 (tx + 2ẋ )dt, x(0) = 1, x(1) = 2.
R1
(b) J(x) = 0 txẋdt, x(0) = 0, x(1) = 1.
R2 t 2 2 2 −2
(c) J(x) = 0 (2xe + x + ẋ )dt, x(0) = 2, x(2) = 2e + e .
R2 2 2
(d) J(x) = 0 (x + t ẋ)dt, x(0) = 0, x(2) = 2.
R2 2
(e) J(x) = 0 (12tx + ẋ )dt, x(0) = 0, x(2) = 8.
R5 2
(f) J(x) = 0 (t + x + 3ẋ)dt, x(0) = 0, x(5) = 3.
R1 2
(g) J(x) = 0 (x + xẋ + ẋ + (1/2)ẋ )dt, x(0) = 2, x(1) = 5.
2. Tentukan ekstremum dari fungsional :

Z 1
J(x) = (1 + ẍ2 )dt, x(0) = 0, ẋ(0) = 1, x(1) = 1, ẋ(1) = 1.
0
RT
3. Diberikan fungsional objektif J(x) = 0 (x + ẋ2 )dt.
(a) Tentukan persamaan Euler dan solusi umum.

(b) Tentukan solusi dari persamaan Euler yang memenuhi x(0) = x0 , dan x(T ) = xT .
(c) Tentukan ekstremum untuk fungsional objektif apabila diberikan x(0) = 2.
4. Perhatikan masalah meminimumkan fungsional objektif J[x(t)] yang didefinisikan oleh

Z T
J[x(t)] = [tẋ(t) + ẋ2 (t)]dt.
0
(a) Tuliskan persamaan Euler dan solusi umumnya.

(b) Tentukan solusi yang memenuhi kendala x(0) = x0 , x(T ) bebas dan T = 1.
(c) Tentukan solusi yang memenuhi kendala x(0) = 5, x(T ) bebas dan T = 2.
(d) Tentukan solusi yang memenuhi kendala x(0) = 1, x(1) ≥ 1.
45
5. Diberikan fungsional objektif
Z T
J(x) = (tx + x2 + ẋ2 )dt.
0
(a) Turunkan persamaan Euler untuk masalah di atas dan berikan solusi umumnya.
(b) Tentukan solusi persamaan Euler apabila x(0) = 0 dan x(2) = e2 .
RT
6. Diberikan fungsional objektif 0 (x2 + ẋ2 )dt.
(a) Tentukan persamaan Euler serta solusi umumnya.

(b) Tentukan solusi persamaan Euler sedemikian sehingga x(0) = x0 dan x(T ) = xT .
(c) Tentukan ekstremum apabila x(0) = 1, T = 1, x(1) bebas.
(d) Tentukan ekstremum apabila x(0) = 0 T = 1, dan x(1) ≥ 1.
(e) Tentukan ekstremum apabila x(0) = 0, x(T ) = T + 1, (T > 1).
7. Tentukan ekstremum yang memberikan minimum fungsional objektif

Z 1
J(x) = (ẋ21 + ẋ22 + ẋ1 ẋ2 )dt, x1 = x2 = 0, x1 = 1, x2 ≥ 1.
0
8. Tentukan ekstremum untuk masalah pertumbuhan yang memaksimumkan fungsional

objektif
Z T 1
J(K) = (bK − K̇)1−ν e−ρt dt, K(0) = K0 , K(T ) = KT .
0 1−ν
9. Tentukan ekstremum untuk masalah meminimumkan fungsional

Z T
J(x) = (x2 + ẋ2 )dt, x(0) = 0, x(T ) = 1, T ∈ [1, 2].
0
10. Tentukan ekstremum yang meminimumkan fungsional

Z T
J(x) = (x2 + ẋ2 + 3)dt, x(0) = 0, x(T ) = 1, T ∈ [1/2, ∞).
0

Z π/2
J(x) = (ẋ21 + ẋ22 + 2x1 x2 )dt, x1 (0) = 0 = x2 (0),
0
dan (a) x1 (π/2) = 1, (b) x2 (π/2) bebas.

R5
12. Selesaikan masalah memaksimumkan
R5
fungsional objektif J(x) = 0 ẋ2 dt dengan kendala
x(0) = 1, x(5) = 11 dan 0 (1 + x)dt = 5.
R √
13. Diberikan fungsional objektif J(x) = 0T 1 + ẋ2 dt.
46
(a) Tentukan persamaan Euler serta solusinya.
(b) Tentukan solusi persamaan Euler jika x(0) = 4, dan x(10) belum ditentukan.
(c) Tentukan solusi persamaan Euler apabila x(0) = 1, sedangkan T dan x(T ) tidak
diberikan nilainya, tetapi x(T ) melalui garis g(t) = 11 − 2t.
14. Perhatikan masalah meminimumkan ongkos pembangunan jalan yang menghubungkan

kota A(0, 1) dengan jalan raya yang terletak pada g(t) = 11 − 2t. Asumsikan rata-rata
ongkos konstruksi AC = 1 per kilometer. Tentukan ongkos optimum.
15. (Dynamic Monopoly, dikembangkan oleh Evans (1924)). Monopolis memproduksi dan
menjual barang x(t) dengan fungsi permintaan diberikan oleh x(t) = ap(t) + b +
˙ dan fungsi ongkos C(x) = αx(t)2 + βx(t) + γ, dengan a, b, h, α, β, γ semuanya
hp(t)
merupakan konstanta. Monopolis memilih kebijakan harga p(t) yang optimum sehingga
memberikan keuntungan π yang maksimum untuk jangka waktu perencanaan T tahun,
dengan harga awal p(0) = p0 dan harga akhir p(T ) = pT dan waktu terminal T
ditentukan.
47
3.9.2 Soal-Soal Kontrol Optimum
1. Diberikan masalah kontrol optimum memaksimumkan fungsional objektif J berikut :
Z 1
(3.76) max J(u) = (x + u)dt
0
dengan kendala
(3.77) ẋ = 1 − u2 , x(0) = 1.
(a) Tentukan kontrol dan state ekstremal untuk t ∈ [0, 1].

(b) Periksa apakah kontrol dan state yang diperoleh tersebut merupakan kontrol dan
state optimum.
(c) Tentukan nilai optimum dari fungsional objektif.
2. Selesaikan masalah kontrol optimum berikut :
(a) max 0T e−rt (1 − u)xdt dengan kendala ẋ = ux,

R
x(0) = x0 > 0, dan kontrol
u ∈ [0, 1].
RT −rt
(b) max 0 e (1−u)xdt dengan kendala ẋ = ux, x(0) = 0, x(T ) ≥ xT , xT < T /2.
R2
(c) max 0 (2x − 3u)dt dengan kendala ẋ = x + u, u ∈ [0, 2], x(0) = 5, dan x(2) bebas.
3. Perhatikan Masalah Kontrol Optimum

Z 1
2
(3.78) min J[u(t)] = x (1) + u2 (t)dt
0
dengan kendala
ẋ(t) = x(t) + u(t), x(0) = 1,

state optimum.
4. Perhatikan Masalah Kontrol Optimum memaksimumkan fungsional objektif

Z T
(3.79) J[u(t)] = S[x(T ), T ] + 1/2 u2 (t) dt,
0
terhadap kendala
dx1 (t)/dt = u(t), x1 (0) = 0,
dx2 (t)/dt = x1 (t), x2 (0) = 0,
dengan peubah kontrol u(t) tanpa batas, dan peubah state x(t) = (x1 (t), x2 (t)).
(a) Apabila T = 1, x1 (1) = 1, x2 (1) = 2, dan S = 0, maka :

i. Tentukan ekstremal dari kontrol dan state untuk masalah di atas;
48
ii. Periksa apakah kontrol dan state yang diperoleh tersebut memang kontrol
dan state optimum;
iii. Hitung nilai optimum fungsional objektif J.
(b) Apabila T = 1, x1 (1), x2 (1) bebas, S[x(1), 1] = 1/2 [x2 (1) − 2]2 , maka :
i. Tentukan kontrol dan state ekstremal untuk masalah di atas;
ii. Periksa apakah kontrol dan state yang diperoleh tersebut merupakan kontrol
dan state optimum;
iii. Tentukan nilai optimum fungsional objektif J.
5. Perhatikan masalah kontrol optimum yang memaksimumkan fungsional objektif :

Z 4
(3.80) J[u(t)] = 3xdt
0
dengan kendala ẋ(t) = x(t) + u(t), x(0) = 5, x(4) bebas dan u(t) ∈ [0, 2].
state optimum.
6. Tentukan kontrol optimum untuk masalah berikut :
(a) Maksimumkan fungsional objektif J(u) = 0T −(1 + u2 )1/2 dt terhadap kendala
R
ẋ = u, dan x(0) = A, x(T ) = A, dengan A dan T diberikan.

(b) Maksimumkan fungsional objektif J(u) = 02 (2x − 3u)dt terhadap kendala ẋ =
R
x + u, x(0) = 4 x(2) bebas, dan u(t) ∈ [0, 2].

7. Tentukan kontrol, state dan kostate yang memaksimumkan fungsional objektif
Z 2
J(u) = (x − u2 )dt
0
dengan kendala ẋ = u, dan x(0) = 0, x(2) bebas dan kontrol u(t) tidak
berkendala.
Z 1 1
J(u) = − (x2 + u2 )dt
0 2
dengan kendala ẋ = u − x, dan x(0) = 1, x(1) bebas dan kontrol u(t) tidak
berkendala.
Z T
J(u) = −(t2 + u2 )dt
0
dengan kendala ẋ = u, x(0) = 4, x(T ) = 5, T bebas.
49
Z 4
J(u) = 3xdt
0
dengan kendala ẋ = x + u, x(0) = 5, x(4) ≥ 300, dan 0 ≤ u(t) ≤ 2.

Z 1
J(u) = xdt
0
dengan kendala ẋ = x + u, x(0) = 0, x(1) bebas, dan batasan pada kontrol

−1 ≤ u(t) ≤ 1.
12. Diberikan masalah kontrol optimum untuk meminimumkan fungsional objektif
1 1Z T 2
J(u) = [T x2 (T ) − x1 (T )] + u (t)dt
2 2 0
dengan kendala
ẋ1 = x2 ; x1 (0) = 1 ; x1 (T ) bebas

ẋ2 = −u ; x2 (0) = 2 ; x2 (T ) bebas
dan (a) kontrol u tidak berbatas, (b) kontrol | u |≤ 1.

13. Perhatikan masalah memaksimumkan fungsional objektif
Z 1
J(u) = (x + u)dt, ẋ = −x + u + t,
0
x(0) = 1, x(1) bebas u(t) ∈ [0, 1].

(a) Misalkan x? (t), u? (t)) merupakan solusi optimum dari masalah di atas. Tuliskan
semua syarat yang harus dipenuhi.
(b) Tunjukan bahwa p0 = 1 dan tentukan solusi tunggal persamaan diferensial dari
p(t) yang memenuhi syarat batas.
(c) Tunjukan bahwa kondisi maksimum mengharuskan u? (t) dipilih dari nilai u ∈
[0, 1], yang memaksimumkan (1 + p(t))u. Tentukan u? (t).
Z T
J(s(t)) = (1 − s(t))k(t)dt, k̇(t) = s(t)k(t),
0
k(0) = k0 > 0, k(T ) bebas dan s(t) ∈ [0, 1], T > 1.

(a) Misalkan (k ? (t), s? (t)) solusi dari masalah di atas. Tunjukan bahwa p0 = 1
dan (
? 1 jika p(t) > 1
s (t) =
0 jika p(t) < 1
50
(b) Tunjukkan bahwa ṗ = −1+s? (t)(1−p(t)) dengan p(T ) = 0, dan bahwa ṗ < 0
dalam [0, T ]. Simpulkan bahwa pada suatu selang (t? , T ], p(t) < 1 dengan
p(t? ) = 1. Tentukan p(t) pada (t? , T ] dan tunjukkan bahwa t? = T − 1.
(c) Simpulkan bahwa s? (t) = 1 pada [0, T − 1], dan s? (t) = 0 pada (T − 1, T ].
(d) Ganti syarat k(T ) bebas dengan k(T ) ≥ kT dengan k0 < KT < k0 eT , dan
tentukan kandidat tunggal untuk optimum.
15. Tentukan fungsi kontrol yang memberikan solusi untuk masalah
Z 2
max (2x − 3u − u2 )dt
0
dengan kendala ẋ = x + u, 0 ≤ u ≤ 2, x(0) = 5, x(2) bebas.

16. Jumlah populasi ikan dalam suatu danau, apabila tidak diganggu oleh manusia, tum-
buh pada tingkat
Ṅ (t) = aN (t) − bN 2 (t)
Ikan dapat ditangkap dari danau dan dikonsumsi pada tingkat c(t), menghasilkan
utilitas u(c(t)) untuk konsumsi masyarakat dan mengakibatkan pengurangan tingkat
pertumbuhan menjadi
Ṅ (t) = aN (t) − bN 2 (t) − c(t)
Asumsikan utilitas masyarakat di waktu depan memperoleh diskon pada tingkat r.
Berikan karakteristik rencana konsumsi ikan untuk memaksimumkan nilai sekarang
dari tingkat utilitas yang didiskon. Asumsikan bahwa N (0) = a/b, dan u̇ > 0, ü < 0.
17. Pendapatan individu proporsional terhadap produk human kapital K(t) dan waktu
yang digunakan, 1 − s(t). Human kapital menyusut secara konstan dengan proporsi b
dan sebaliknya bertambah dengan meningkatnya investasi, berupa fungsi konkaf(cembung)
dari kapital dan s(t) merupakan proporsi waktu yang didedikasikan untuk pendidikan.
Diskusikan program pendidikan-bekerja untuk memaksimumkan pendapatan yang didiskon
untuk jangka sisa waktu hidup T
Z T
max e−rt (1 − s(t))K(t)dt
0
dengan kendala
K̇ = A(sK)a − bK, K(0) = K0 > 0, 0 ≤ s ≤ 1,
dengan ketentuan A > 0, 0 < a < 1, b ≥ 0.
18. Investasi suatu perusahaan haruslah self-financed, yaitu harus dibiayai dari pendap-
atan (revenues) yang sedang berjalan. Misal R(K) menyatakan revenue bersih yang
diperoleh dari modal K. Misalkan C(I) menyatakan biaya melakukan investasi dengan
tingkat I. Asumsikan Ṙ > 0, R̈ < 0, Ċ > 0, C̈ > 0. Diskusikan solusi optimum
untuk masalah Z ∞
max e−rt [R(K) − C(I)]dt
0
dengan kendala
K̇ = I − bK, K(0) = K0 , 0 ≤ I ≤ R(K).
51
3.9.3 Soal-soal Ujian
Ujian Tengah Semester

MAT 364 : Kontrol Optimum
Jum’at : 21 Maret 2003
1. Tentukan ekstremum untuk masalah berikut :

R1 2
(a) 0 [ẋ + 10tx]dt, dengan kendala x(0) = 1, dan x(1) = 2.
R1 2 2
(b) 0 (ẍ + ẋ + at )dt, dengan x(0) = 0, ẋ(0) = 1, x(1) = 1, dan ẋ(1) = 1.
R2 2
(c) 1 [x + tẋ − ẋ ]dt, dengan kendala x(1) = 3, dan x(2) = 4.
R5 R5
2. Maksimumkan 0 ẋ2 dt, terhadap kendala x(0) = 1, x(5) = 11 dan 0 (1 + x)dt = 5.

Z T
J[x(t)] = [tẋ(t) + ẋ2 (t)]dt.
0
(a) Tentukan solusi yang memenuhi kendala x(0) = 5, x(T ) bebas dan T = 2.
(b) Tentukan ekstremum apabila x(0) = 0, x(T ) = T + 1, (T > 1).
(c) Tentukan solusi yang memenuhi kendala x(0) = 1, x(1) ≥ 1.

objektif
Z T 1
J(K) = (bK − K̇)γ e−ρt dt, K(0) = K0 , K(T ) = KT , 0 < γ < 1,
0 γ
dan waktu terminal T diberikan.

Z π/2
J(x) = (ẋ21 + ẋ22 + 2x1 x2 )dt, x1 (0) = 0 = x2 (0),
0
dan x1 (π/2) = 1, x2 (π/2) bebas.
52
Ujian Tengah Semester
Jum’at : April 2005
1. Tentukan ekstremum untuk masalah berikut :

R1 2
(a) 0 [ẋ + 10tx]dt, dengan kendala x(0) = 1, dan x(1) = 2.
R1 2 2
(b) 0 (ẍ + ẋ + at )dt, dengan x(0) = 0, ẋ(0) = 1, x(1) = 1, dan ẋ(1) = 1.
R2 2
(c) 1 [x + tẋ − ẋ ]dt, dengan kendala x(1) = 3, dan x(2) = 4.
R5 R5
2. Maksimumkan 0 ẋ2 dt, terhadap kendala x(0) = 1, x(5) = 11 dan 0 (1 + x)dt = 5.

Z T
J[x(t)] = [tẋ(t) + ẋ2 (t)]dt.
0
(a) Tentukan solusi yang memenuhi kendala x(0) = 5, x(T ) bebas dan T = 2.
(b) Tentukan ekstremum apabila x(0) = 0, x(T ) = T + 1, (T > 1).
(c) Tentukan solusi yang memenuhi kendala x(0) = 1, x(1) ≥ 1.

objektif
Z T 1
J(K) = (bK − K̇)γ e−ρt dt, K(0) = K0 , K(T ) = KT , 0 < γ < 1,
0 γ
dan waktu terminal T diberikan.

Z π/2
J(x) = (ẋ21 + ẋ22 + 2x1 x2 )dt, x1 (0) = 0 = x2 (0),
0
dan x1 (π/2) = 1, x2 (π/2) bebas.
53
UJIAN AKHIR SEMESTER
MAT 364 : KONTROL OPTIMUM
Jumat, 23 Mei 2003, ( Waktu Tersedia : 150 menit )
1. Tentukan kontrol dan state optimum untuk masalah berikut :

(a) Maksimumkan fungsional objektif
Z 1
J(u(t)) = (x − u2 )dt
0
terhadap kendala
ẋ(t) = u(t); x(0) = 0, x(1) bebas dan kontrol tidak berbatas.
(b) Minimumkan fungsional objektif

1 1Z 1 2
J(u(t)) = x(1)2 + u dt
2 2 0
terhadap kendala ẋ = −u(t), x(0) = 1, x(1) bebas dan kontrol tidak berbatas
2. Diberikan sistem dinamis
ẋ1 (t) = x2 (t), x1 (0) = 0

ẋ2 (t) = u(t), x2 (0) = 0,
dengan peubah state dan peubah kontrol tidak berbatas. Tentukan kontrol optimum
yang memaksimumkan fungsional objektif
Z T 1 2
J(u(t)) = S(x(T )) − u (t)dt
0 2
apabila :
(a) x1 (1) = 2; x2 (1) = 3; T = 1; S(x(T )) = 0.
(b) T = 1, x1 (1), x2 (1) tidak diberikan, dan S(x(T )) = 12 [T x2 (T ) − x1 (T )].
(c) x1 (T ) = 2; x2 (T ) = 3; T bebas; S(x(T )) = 0.
3. Tentukan kontrol optimum untuk masalah meminimumkan fungsional objektif
Z T
(3.81) J(u(t)) = [ax(t) + bu(t) + cu2 (t)]dt
0
dengan kendala ẋ(t) = u(t), x(0) = x0 tetap, T tetap, x(T ) bebas c > 0.
4. Perhatikan masalah kontrol optimum yang memaksimumkan fungsional objektif :
Z 4
(3.82) J[u(t)] = 3xdt
0
dengan kendala ẋ(t) = x(t) + u(t), x(0) = 5, x(4) bebas dan u(t) ∈ [0, 2].
54
state optimum.

Z T
J(s(t)) = (1 − u(t))x(t)dt, ẋ(t) = u(t)x(t),
0
x(0) = x0 > 0, x(T ) bebas dan u(t) ∈ [0, 1], T > 1.
(a) Misalkan (x? (t), u? (t)) solusi dari masalah di atas. Tunjukan bahwa
(
? 1 jika p(t) > 1
u (t) =
0 jika p(t) < 1
(b) Tunjukkan bahwa ṗ = −1+u? (t)(1−p(t)) dengan p(T ) = 0, dan bahwa ṗ < 0
dalam [0, T ]. Simpulkan bahwa pada suatu selang (t? , T ], p(t) < 1 dengan
p(t? ) = 1. Tentukan p(t) pada (t? , T ] dan tunjukkan bahwa t? = T − 1.
(c) Simpulkan bahwa u? (t) = 1 pada [0, T − 1], dan u? (t) = 0 pada (T − 1, T ].
55
Ujian Akhir Semester
Rabu, 15 Juni 2005

Z 1
2
min J[u(t)] = x (1) + u2 (t)dt
0
dengan kendala ẋ(t) = x(t) + u(t), x(0) = 1.
(a) Tentukan kontrol dan state ekstremum untuk t ∈ [0, 1].

state yang optimum, yaitu meminimumkan fungsional J.

Z 1 1
max J(u) = − (x2 + u2 )dt
0 2
dengan kendala ẋ = u − x, dan x(0) = 1, x(1) bebas, dan kontrol u(t) tanpa
batas.
(a) Tentukan kontrol dan state ekstremum untuk t ∈ [0, 1].
state yang optimum, yaitu memaksimumkan fungsional J.
3. Selesaikan masalah kontrol optimum yang memaksimumkan fungsional objektif
Z T
J(u) = −(t2 + u2 )dt
0
dengan kendala ẋ = u, x(0) = 4, x(T ) = 5, T bebas.

4. Tentukan kontrol optimum yang memaksimumkan fungsional objektif
Z 2
max J(u) = (2x − 3u)dt
0
dengan kendala ẋ = x + u, x(0) = 5, dan x(2) bebas dan kontrol u ∈ [0, 2].
Z 4
J(u) = 3xdt
0
dengan kendala ẋ = x + u, x(0) = 5, x(4) ≥ 300, dan 0 ≤ u(t) ≤ 2.
56
PENYELESAIAN MASALAH KONTROL OPTIMUM
SEBAGAI MASALAH SYARAT BATAS PERSAMAAN
DIFERENSIAL BIASA DALAM SCILAB
Agah D. Garnadi, Effendi Syahril
Abstrak
Diuraikan penggunaan rutin bvode di lingkungan SCILAB untuk

menyelesaikan masalah syarat batas sistem persamaan diferensial biasa
untuk menyelesaikan masalah Kontrol Optimum. Tujuan tulisan ini bersifat
pedagogis dengan tujuan pengguna dapat mempergunakan solver bvode
untuk memecahkan secara numeric MKO setelah membaca uraian
penggunaan pemecahan masalah syarat batas. Penggunaan rutin
digambarkan dengan tiga contoh masalah syarat batas, salah satu
diantaranya merupakan MSB KO.
PENDAHULUAN
Persamaan Diferensial Biasa (PDB) sering muncul sebagai model

permasalahan dalam berbagai bidang ilmu pengetahuan. Pencarian solusi PDB
diperlukan untuk memperoleh interpretasi dari model permasalahan semula.
Solusi analitik dari suatu PDB tidak selalu mudah diperoleh, sehingga metode
numeric diperlukan untuk mendapatkan solusi permasalahan.
Ada kalanya solusi yang sangat spesifik ingin didapatkan dari suatu sistem
PDB dengan cara menentukan nilai-nilai awal pada lebih dari satu titik x.
Permasalahan seperti ini dikenal dengan nama Masalah Syarat Batas (MSB), yang
dapat dinyatakan oleh :
(2)
Dalam lingkunagn Scilab, sebuah rutin untuk menyelesaikan MSB

berdasarkan metode kolokasi disediakan, rutin ini bernama bvode. Metode
kolokasi juga digunakan dalam lingkungan MATLAB untuk rutin bvp4c yang
disediakannya.
Tulisan ini merupakan sebuah tutorial yang memberikan penuntun
bagaimana memformulasikan masalah (menyusun perintah), untuk mendapatkan
1
Departemen Matematika, Fakultas Ilmu Pengetahuan Alam, Jalan Meranti Kampus IPB Dramaga
Bogor,16680.
A.D. GARNADI, E. SYAHRIL
solusi numerik, dan menggambarkan solusi secara grafis dari MSB yang berasal
dari Masalah Kontrol Optimum (MKO) dengan menggunakan rutin bvode.
Tulisan ini juga merupakan studi pendahuluan numerik atas ketersediaan
lingkungan pemecah masalah numerik (numerical problem solving
environment{PSE}) yang bersifat open-source sebagai alternatif dari PSE
komersial populer MATLAB yang menawarkan rutin bvp4c untuk memecahkan
MSB.
Tujuan tulisan ini bersifat pedagogis yang menguraikan secara sederhana
bagaimana MKO didapatkan solusinya dengan menyelesaikan secara numerik
MSB sebuah PDB. Dengan demikian, seorang pemula dapat mempergunakan
bvode untuk menyelesaikan MSB yang dihadapinya tanpa kesulitan.Selain itu,
contoh yang diberikan muncul dari masalah perkuliahan yang biasanya ditemui di
tahun ketiga atau keempat di perguruan tinggi.Selain itu, tulisan ini bertujuan
untuk menyediakan dokumentasi tertulis berbahasa Indonesia.Tujuan lainnya
ialah memberikan teladan penggunaan Open Source dilingkungan komputasi
matematika di Indonesia, yang secara tidak langsung memberi dukungan pada
proyek nasional IGOS (Indonesia Goes Open Source).
Tulisan ini disusun dengan urutan sebagai berikut.Pertama diuraikan
formulasi masalah control optimum, yang dilanjutkan dengan deskripsi dari
bvode. Kemudian diperlihatkan penggunaannya untuk sebuah contoh MKO
sebagai masalah syarat batas yang diselesaikan menggunakan bvode. Untuk
kepentingan pedagogis, diberikan dua contoh MSB yang diselesaikan
menggunakan bvode dalam lingkungan Scilab. Kemudian diakhiri oleh
kesimpulan serta kemungkinan pekerjaan lanjutan.
FORMULASI MASALAH KONTROL OPTIMUM SEBAGAI

MASALAH SYARAT BATAS
Disini kita inginkan untuk menentukan input u(t) untuk meminimumkan

fungsional scalar:
dengan diberikana dinamika tak-linear berbentuk:
Solutsi persamaan (1) diperoleh melalui Kalkulus Variasi berupa MSB

berikut
JMA, VOL. yy, NO.1, JULY 2018, 1-xx
Serta input kontrol yang merupakan solusi dari:
Persamaan (5) tidak trivial untuk menyelesaikannya, karena harus

menyelesaikan MSB (3) dan (4) dengan kendala yang bersifat aljabar.
DESKRIPSI bvode
Rutin bvode yang tersedia dalam PSE Scilab, merupakan perangkat simulasi
untuk menyelesaikan MSB.Rutin bvode pada dasarnya mempergunakan pustaka
COLNEW yang merupakan perbaikan dari rutin program COLSYS ([1], [2]) yang
ditulis mempergunakan FORTRAN dan berlandaskan metode kolokasi.Tidak
seperti solver PDB pada umumnya, bvode tidak mengharuskan pengguna
mengubah persamaan diferensial orde tinggi menjadi sistem persamaan diferensial
orde satu. Selain itu, dimungkinkan diberikannya sejumlah syarat di sejumlah titik
.
Bentuk MSB yang diasumsikan oleh bvode ialah:
(3)
. (4)
Dengan merupakan posisi dimana syarat batas berlaju dan . Agar

notasi tidak menyulitkan, tuliskan
Dengan demikian, bentuk umum MSB yang diasumsikan oleh bvode ialah
(5)
. (6)
Rutin bvode memiliki kemampuan untuk menyelesaikan MSB yang linear

maupun non-linear. Karena itu rutin ini mengharuskan pengguna menyusun
sendiri matriks Jacobian dari PDB yang hendak diselesaikan, maka untuk
beberapa masalah, tingkat kerumitan yang paling besar akan terasa pada
penyusunan matriks Jacobian ini.
Seperti halnya fungsi lain pada SCILAB, rutin bvode memiliki tata cara
pemanggilan sebagai berikut ini
[ z ] = bvode(points,ncomp,m,aleft,aright,zeta,ipar,...
ltol,tol,fixpnt,fsub,dfsub,gsub,dgsub,guess);
denganz merupakan vektor baris yang berisi solusi numerik dari MSB yang ingin
diselesaikan. Komponen z(i,:)merepresentasikan turunan ke-(i-1) dari solusi
pada selang domain. Sebagai contoh, z(1,:)menyatakan y, z(2,:)menyatakan
y’, dan seterusnya hingga z(m*,:)menyatakan y(m*-1).
Lima argumen terakhir yang diperlukan bvodeberbentuk fungsi yang
harus didefinisikan sendiri oleh pengguna, sedangkan argumen lainnya merupakan
informasi yang diperlukan bvode untuk dapat mencari solusi numerik berkaitan
dengan MSB yang ingin diselesaikan.Berikut adalah penjelasan kegunaan masing-
masing parameter yang digunakan oleh bvode.
z : Solusi dari PDB yang dievaluasi atas mesh yang diberikan oleh points.
Points : Array yang menyimpan titik di selang domain dimana MSB akan dicari
solusinya.
Ncomp : Jumlah persamaan diferensial. Syaratnya haruslah ncomp≤20.
M : Vektor dengan panjang ncomp, yang isinya m(j)berupa orde dari
persamaan diferensial ke-j. Orde dari persamaan diferensial harus
disyaratkanm(j)≤4.
Aleft : Ujung kiri dari selang domain dimana y didefinisikan.
Aright : Ujung kanan dari selang domain dimana y didefinisikan.
zeta : Isi zeta(j) berisi titik syarat (batas) tambahan ke-j. Isi harus diurutkan
sehingga zeta(j)≤zeta(j+1). Semua titik syarat tambahan (batas)
harus pada titik mesh di semua mesh yang digunakan. Khususnya, titik
tersebut harus merupakan bagian dari mesh awal. Perhatikan pula uraian
lebih rinci mengenai parameter ipar(11) dan fixpnt di bawah ini.
ipar : Array berentri bilangan bulat dengan ukuran sedikitnya 11. Daftar
parameter dari ipar akan diuraikan kemudian.
ltol : Array dengan panjang yang ditentukan ipar(4).
ltol(j)=1menentukan toleransi ke-j di tol mengendalikan error di
komponen ke-l dari z(u). Juga dipersyaratkan bahwa
1≤ltol(1)<ltol(2)<⋯<ltol(ntol)≤mstar.
tol : Array dengan panjang yang ditentukan ipar(4). tol(j)menyatakan
toleransi pada komponen ke ltol(j) dari solusi z(u).
fixpnt : Titik selain aleftdan arightyang akan dimasukkan ke dalam mesh.
fsub : Fungsi yang mendefinisikan PD yang ingin dicari solusi numeriknya.
dfsub : Matriks Jacobian dari fsub.
gsub : Fungsi yang mendefinisikan persamaan syarat batas untuk MSB yang
bersangkutan.
dgsub : Matriks Jacobian dari gsub.
guess : Tebakan awal bagi solusi (jika tersedia).
Dari kelimabelas parameter di atas, argumen ipar adalah argumen yang
paling panjang.Argumen ini memiliki 11 komponen yang secara keseluruhan
memberi kesempatan pengguna untuk mengatur setting pada metode numerik
yang digunakan bvode.Sebagian komponen dari parameter ipar berhubungan
langsung dengan beberapa argumen bvode pada daftar parameter di atas. Sebagian
besar dari komponen-komponen tersebut memiliki nilai default nol. Karena
jumlah komponennya yang terbilang cukup banyak, ada baiknya jika dibuat
variabel berdimensi 1×11 yang berisi nilai nol (default) sebelum mengisi
komponen-komponen yang tidak bernilai default, yaitu
ipar = zeros(1,11);.
Isikan masing-masing komponen parameter ipar berdasarkan keterangan
yang didaftarkan di bawah ini:
ipar(1) : = 0 jika MSB linear dan = 1 jika MSB non-linear.
ipar(2) : Banyaknya titik kolokasi per subinterval (=k ) dimana orde maksimum
PD ≤k≤ 7. Jika ipar(2)=0maka secara default k = max(max
m(i)+1,5-max m(i)).
ipar(3) : Banyaknya subinterval pada mesh awal ( =n ).
Jika ipar(3) = 0 maka secara default n = 5.
ipar(4) : Banyaknya komponen solusi beserta turunannya yang diberi toleransi
(=ntol), dengan aturan 0 ≤ntol≤m*.
ipar(5) : Nilai yang menentukan banyaknya subinterval maksimum (nmax) pada
selang domain. Pilihlah ipar(5)berdasarkan rumus berikut:
ipar(5)≥ipar(5).nsizef di mana nsizef =
4+3m*+(5+kd).kdm+(2m*-nrec).2m*dengan nrec adalah
banyaknya syarat batas pada ujung kanan selang domain ipar(5)
diperuntukkan evaluasi pada titik-titik selang real.
ipar(6) : Nilai yang menentukan banyaknya subinterval maksimum nmax pada
selang domain. Pilihlah ipar(6) berdasarkan rumus berikut:
ipar(6)≥nmax.nsizei di mana nsizei = 3+kdm dengan
kdm=kd+m*; kd = k.ncomp; ipar(6) diperuntukkan evaluasi pada
titik-titik integer.
ipar(7) : Kontrol output berikan nilai berikut: = -1 untuk printout diagnostik
penuh = 0 untuk printout sederhana. = 1 tanpa printout.
ipar(8) : = 0 untuk mesh awal seragam.
ipar(9) : = 0 jika tidak tersedia tebakan awal bagi solusi. = 1 jika tebakan awal
tersedia pada fungsiguess.
ipar(10) = 0 jika masalah bersifat reguler. = 1 jika iterasi nonlinear tidak
bergantung pada kekonvergenan dari iterasi sebelumnya (hanya
digunakan jika ipar(1) =1). = 2 jika proses ingin dihentikan setelah
(a)terjadi dua kali nonkonvergen berturut-turut, atau (b)pendekatan
galat didapatkan untuk pertama kalinya.
ipar(11) : Banyaknya titik selain ujung-ujung selang domain yang akan
dimasukkan ke dalam mesh (dimensi dari argumen fixpnt).
CONTOH
Untuk kepentingan pedagogis, dibahas tiga contoh bagaimana

menyelesaikan MSB dengan mempergunakan bvode, dengan contoh terakhir yang
berupa contoh MKO sebagai MSB. Selain itu, ditunjukkan pula bagaimana cara
menggambar masing-masing komponen solusi numerik yang didapat dari bvode.
Contoh 1. Dalam contoh ini diberikan ilustrasi bagaimana mencari solusi numerik
dari MSB yang melibatkan parameter yang tidak diketahui. Permasalahannya
ialah menghitung nilai eigen dari persamaan Mathieu berikut ini,
(7)
pada selang , dengan syarat batas , untuk . Solusi
dinormalisasi dengan cara menetapkan solusi memenuhi . Permasalahan
sesungguhnya ialah mencari nilai yang memenuhi syarat batas . Nilai
tebakan awal bagi menjadi keharusan dalam menyelesaikan masalah ini.MSB di
atas diimplementasikan dalam SCILAB sebagai berikut ini.Persamaan
diferensialnya didefinisikan dengan skrip berikut.
function f=fsub(x, zu)
f=-(lambda-2*5*cos(2*x))*zu(1);
endfunction
Untuk persamaan di atas, diperlukan matriks Jacobian yang ditulis dengan
skrip seperti berikut ini.
function df=dfsub(x, zu)
df=[-(lambda-2*5*cos(2*x)),0];
endfunction
Sementara syarat batasnya diberikan oleh:
function g=gsub(i, zu),
select i
case 1 then
g=zu(1)-1
case 2 then
g=zu(2)
case 3 then
g=zu(2)
end
endfunction.
Untuk syarat batas tersebut di atas, diperlukan matriks Jacobian, yaitu
function dg=dgsub(i, z)
select i
case 1 then
dg=[1,0]
case 2 then
dg=[0,1]
case 3 then
dg=[0,1]
end
endfunction.
Berikut sejumlah parameter yang diperlukan, yaitu
fixpnt=[ ];
ncomp=1; nrec=1;
k=4;
nmax=200;
kd=N*ncomp;
kdm=kd+M;
nsizei=kdm+3;
ip6=nmax*nsizei;
nsizef=4+3*M+(5+kd)*kdm+(2*M-nrec)*2*M;
ip5=nmax*nsizef;
ipar=[001 2ip5ip6100 0 0]
ltol=1:2;
tol=[1.e-5,1.e-5];
Karena tebakan awal bagi solusi y tidak tersedia maka fungsi guess didefinisikan
seperti di bawah ini.
function [zu, mpar]=guess(x)
zu=0;
mpar=0;
endfunction
Jika tebakan awal bagi nilai eigen dipilih = 15, maka untuk menyelesaikan MSB
pada persamaan (7) sekaligus mendapatkan nilai pendekatan untuk dapat
dilakukan dengan menambahkan loop seperti pada listing berikut,
lambda_0=15;
xpoints=x_low:0.001:x_up;
for j=0:0.001:20000
lambda=lambda_0+j;
zu=bvode(xpoints,N,m,x_low,x_up,zeta,ipar,ltol,tol,fixpnt,fs
ub,dfsub,gsub,dgsub,guess);
if abs(zu(2,$))<j
break;
end;
end
Untuk melihat gambar grafik solusi numerik untuk y(x) yang dihasilkan bvode
dan untuk mengetahui nilai yang didapat dari loop di atas, perintah berikut
dengan cepat akan menampilkan keduanya:
lambda
plot2d(xpoints,zu(1,:));
Dari hasil perhitungan yang dilakukan oleh bvode beserta loop di atas,
didapat nilai pendekatan = 16.058 dan gambar grafik solusi y(x) seperti yang
terlihat pada Gambar 1. Perhitungan di atas mempergunakan mesh dengan lebar
kisi Δx = 0.001 yang seragam untuk selang [0,π].
y(x)
x
Gambar 1 Fungsi eigen dari persamaan Mathieu terkait dengan nilai eigen yang
digunakan dalam artikel
Contoh 2. Pada contoh berikut diberikan sebuah MSB yang berasal dari formula
kredibilitas yang memungkinkan aktuaris untuk menyeimbangkan dua hal, yaitu
keakuratan dan kelinearan [9]. Berikut merupakan MSB untuk kasus di mana
sebaran marginal ( ) dari besarnya klaim( ) ialah tak nol pada suatu interval
terbatas , lihat Young [10].
(10)
dengan
Pada contoh ini, misalkan ) pada interval , , dan
Misalkan pula
sehingga
Dengan demikian, persamaan (10) menjadi
Jadi, MSB untuk kasus tersebut ialah
dengan
MSB di atas diimplementasikan dalam SCILAB sebagai berikut.Persamaan

function f=fsub(x, zu)
f1=(1-x)/(log(1.5)-log(1/2*x+1));
f2=(1/0.0025)*((2/((x+2)*log(1.5))+2/(x+2)*zu(1)-2-zu(2));
f=[f1; f2];
endfunction
function df=dfsub(x, zu)
df=[0,0,0,0,0; 1/((x+2)),-1/0.0025,0,0,0];
endfunction
function g=gsub(i, zu),
select i
case 1 then
g=zu(1)
case 2 then
g=zu(4)
case 3 then
g=zu(5)
case 4 then
g=zu(4)
case 5 then
g=zu(5)
end
endfunction
Untuk syarat batas tersebut, diperlukan matriks Jacobian, yaitu
function dg=dgsub(i, z)
select i
case 1 then
dg=[1,0,0,0,0]
case 2 then
dg=[0,0,0,1,0]
case 3 then
dg=[0,0,0,0,1]
case 4 then
dg=[0,0,0,1,0]
case 5 then
dg=[0,0,0,0,1]
end
endfunction
MSB di atas, diselesaikan di atas selang [0,1] dengan lebar kisi Δt = 0.01
yang seragam, berikut sejumlah parameter yang diperlukan, yaitu
N=2;
m=[1 4];
M=sum(m);
x_low=0; x_up=1;
fixpnt=[ ];
xpoints=x_low:0.01:x_up;
ncomp=2; nrec=2;
m=[1 4]; k=4;
nmax=200;
kd=N*ncomp;
kdm=kd+M;
nsizei=kdm+3;
ip6=nmax*nsizei;
nsizef=4+3*M+(5+kd)*kdm+(2*M-nrec)*2*M;
ip5=nmax*nsizef;
ipar=[0,0,10,5,ip5,ip6,-1,0,0,0,0]
ltol=1:5;
tol=[1.e-11,1.e-11,1.e-11,1.e-11,1.e-11,1.e-11]
dan kita berikan fungsi tebakan awal, yaitu
function w=guess(x)
w=[0,0; 0,0];
endfunction
Kemudian untuk memperoleh solusi numerik MSB, diberikan dalam skrip

SCILAB berikut
zu=bvode(xpoints,N,m,x_low,x_up,zeta,ipar,ltol,tol,fixpnt,fsu
b,dfsub,gsub,dgsub,guess)
Solusi numerik yang diperoleh, ditampilkan oleh Scilab dengan memberikan skrip
berikut ini
plot(xpoints,zu(1,:)).
Tampilan grafisnya diperlihatkan pada Gambar 2.
d(x)
Gambar 2. Solusi optimum (d) dengan h = 0.0025.
Contoh 3. Pada contoh berikut diberikan sebuah MSB yang berasal dari Kontrol
Optimum. Biasanya, syarat cukup untuk kontrol optimum berupa MSB, yang
biasanya lebih mudah menyelesaikannya untuk banyak masalah sederhana.
Perhatikan masalah sistem terkontrol
dan kita inginkan kontrol v mengendalikan lintasan dari 2 pada saat t=0 ke -1 pada
saat t=10. Dengan demikian, kita inginkan v meminimumkan ongkos kuadratik
berikut
Fungsi ongkos ini menyebabkan variabel keadaan y dan variabel kontrol v

terpenalisasi, sehingga menyebabkan variabel keadaan dan kontrol menjadi kecil.
Syarat cukup dapat diperoleh dengan mendefinisikan fungsi Hamiltonian
dan kita tuliskan masalah syarat batas persamaan diferensial aljabar
(8)
Bila v dieliminasi, akan diperoleh MSB
(9)
MSB di atas diimplementasikan dalam SCILAB sebagai berikut ini.Persamaan

function w = f(x,z)
w1 = z(1)^2-z(2)/20 ;
w2 = 2*z(1) - 2*z(1)*z(2) ;
w = [w1 ; w2] ;
endfunction
function w = df(x,z)
w = [2*z(1), -1/20; -2-2*z(2),-2*z(1)];
endfunction
function w =g(i,z)
if i==1 then w=z(1)-2,
else w=z(1)+1;
end
endfunction.
Untuk syarat batas tersebut di atas, diperlukan matriks Jacobian, yaitu
function w=dg(i,z)
w=[1 0];
endfunction.
MSB di atas, diselesaikan di atas selang [0,10] dengan lebar kisi Δt = 0.1
yang seragam, berikut sejumlah parameter yang diperlukan, yaitu
tt=0:0.1:10 ;
ncomp=2;nrec=1;
m=[1 1]; k=4;
nmax=200;
mstar=2;
kd=k*ncomp;
kdm=kd+mstar;
nsizei=kdm+3;
ip6=nmax*nsizei;
nsizef=4+3*mstar+(5+kd)*kdm+(2*mstar-nrec)*2*mstar;
ip5=nmax*nsizef;
zeta = [0 10];
ipar = [1 0 0 2, ip5, ip6, 0 0 0 0 0];
er=1.0d-3;
ltol=1:2;
tol = [er,er];
dan kita berikan fungsi tebakan awal, yaitu
function w =gs(x)
w = [0,0;0,0];
endfunction.
Kemudian untuk memperoleh solusi numerik MSB, diberikan dalam skrip

SCILAB berikut
zz = bvode(tt,2,m,0,10,zeta,ipar,ltol,tol,0,f,df,g,dg,gs);
control=-(1/20)*zz(2,:);
Solusi numerik yang diperoleh, ditampilkan oleh Scilab dengan memberikan skrip
berikut ini
plot2d(tt,zz(1,:));
plot2d(tt,control);
plot2d(tt,control,style=-1);
yang tampilan grafisnya diperlihatkan pada Gambar 3.
x
Gambar 3 Optimum y (garis) dan kontrol v (garis-x) untuk contoh 3.
SIMPULAN
Telah disampaikan bagaimana Masalah KO dapat diselesaikan sebagai

masalah syarat batas, penggunaan MKO sering muncul sebagai model dari
berbagai bidang ilmu. Karena untuk mendapatkan solusi analitik tidak selalu
tersedia, metode numerik menjadi salah satu cara untuk memperoleh solusinya.
Selain itu, dengan tersedianya rutin yang memudahkan pengguna untuk
menyelesaikan MSB secara numerik, dimungkinkan melakukan simulasi secara
berulang untuk menguji berbagai skenario pemodelan yang menggunakan MKO.
Tulisan ini merupakan tutorial bagaiman menggunakan simulasi MSB dalam
lingkungan problem solving environment SCILAB yang bersifat open source
untuk menyelesaikan MKO. Perlu kiranya pengujian lebih lanjut atas rutin ini,
antara lain menguji berbagai kasus di [7], yang memberikan serangkaian contoh
MKO sebagai MSB.
DAFTAR PUSTAKA
[1] Ascher U, Christiansen J, Russel RD. 1981. Collocation Software for Boundary-Value
ODEs.ACM Transactions on Mathematical Software. 7(2).
[2] Ascher U, Mattheij RM, Russel RD, Numerical Solution of Boundary Value Problem.New
Jersey: Prentice-Hall, Englewood Cliffs.
[3] Campbell SL. Chancelier JP, Nikoukhah R. 2005.Modeling and Simulation in Scilab/Scicos.
Springer.
[4] Higham DJ, Higham NJ. 2000.MATLABGuide. SIAM.
[5] Kierzenka J, Shampine L. 2001. A BVP solver on residual control and the Matlab PSE.ACM
Transactions on Mathematical Software.27(3): 299-316.
[6] Moler CB. 2004.Numerical Computing with MATLAB. SIAM.
[7] S. N. Avvakumov and Yu.N. Kiselev, 2000, Boundary value problem for ordinary
differential equations with applications to optimal control, Spectral and evolution
problems}, V10, pp 147--155
[8] Layar bantuan SCILAB untuk rutin bvode.
[9] Kaas R,Goovaerts M, Dhaene J, Denuit M. 2009.Credibility theory. Modern Actuarial Risk
Theory: Using R.203-229.
[10] Young VR. 1997. Credibility using a loss function from spline theory. Scandinavian
Actuarial Journal. 1997(2): 160-185.

Kuliah Pengantar Kontrol Optimum Dan Metode Numeriknya Dalam Scilab

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Kuliah Pengantar Kontrol Optimum Dan Metode Numeriknya Dalam Scilab

Diunggah oleh

Hak Cipta:

Format Tersedia

Kuliah Pengantar

Kontrol Optimum dan

3 Kontrol Optimum : Pendekatan Kalkulus Variasi 24

1.1 Masalah Optimisasi Dinamis

(1.1) ẋ(t) = f [x(t), u(t), t]

1.3 Peubah Kontrol

1.4 Reachability, Controllability dan Observability

1.5 Fungsional Objektif

dengan f0 adalah fungsi bernilai riel. Jika fungsi

f0 (x, u, t) = π(x, p)e−rt , atau f0 = u(c)e−rt ,

1. (Formulasi Bolza) Formulasi fungsional objektif bentuk Bolza merupakan formulasi

(1.6) J[u(t)] = S[x(T ), T ]

akan menghasilkan J = xn+1 (t) + S[x(T ), T ].

1.6 Kalkulus Variasi dan Kontrol Optimum

2.2 Fungsional Dan Variasi

2.3 Syarat Perlu Untuk Optimum : Persamaan Euler

untuk semua h ∈ S, maka g(t) = 0 untuk semua t ∈ [0, T ].

(2.6) fx − fẋt − fxẋ ẋ − fẋẋ ẍ = 0.

Bukti : Syarat perlu untuk ekstremum adalah δJ(x) = 0, yaitu

Persamaan Euler memberikan

x(t) = k1 eλ1 t + k2 eλ2 t + 2,

x(t) = 3, 358e1,105t − 5, 358e−0,905t + 2.

2.4 Persamaan Euler Yang Lebih Umum

2.4.1 Kasus Peubah banyak

2.4.2 Kasus Fungsi f Memuat Turunan ke-n

dengan titik ujung tetap xi (0) = x0 i , dan xi (T ) = xT i berturut-turut memberikan per-

Integrasi bagian terhadap suku kedua integran menghasilkan

Dengan Lema Dasar, maka diperoleh persamaan Euler-Poisson :

2.5 Kasus Khusus Persamaan Euler

2.5.1 Fungsi f Tidak Memuat x

Dengan menggunakan syarat batas, diperoleh k1 = 1/4, k2 = 1, sehingga diperoleh

2.5.2 Fungsi f Tidak Memuat t

Persamaan Euler memberikan

2.6 Masalah Variasi Dengan Kendala

2.6.1 Kendala Titik Dan Persamaan Diferensial

(2.16) L ≡ f (x, ẋ, t) + p.gi (x, ẋ, t)

atau dalam bentuk skalar r

2.6.2 Kendala Isoperimetris

dengan li merupakan konstanta. Kendala ( 2.24) dinamakan kendala isoperimetric.

Persamaan Euler memberikan

terhadap kendala x(0) = x0 , x(T ) = xT dengan T diberikan, dan

Solusi : Definisikan fungsi y(t) dengan

2.7.1 Dua Titik Ujung Tetap Dan Syarat Batas Natural

(2.30) hfẋ |T0 = 0.

(2.31) fẋ = 0 pada t = 0 dan fẋ = 0 pada t = T.

Contoh 2.8 Perhatikan masalah brachistochrone yang meminimumkan fungsional objektif

dengan T = 10 dan x(0) = 4.

Solusi : Persamaan Euler memberikan ẍ = 0, yang memberikan solusi x(t) = at + b.

(2.35) (f (.)|T − ẋfẋ |T )δT + fẋ |T δxT = 0.

(2.36) f (.)|T − ẋfẋ |T = 0, dan fẋ |T = 0,

yang secara bersama menghasilkan

(2.37) f (.)|T = 0 = fẋ |T .

(2.39) [f (.) − ẋfẋ ]δt|t=T t=T

(2.40) f (.)|t=T t=T

(2.41) [f (.) + (ġ − ẋ)fẋ ]|t=T

(f (.) − ẋfẋ )|t=T

(f (.) − ẋfẋ )|t=T

[f + (ġ1 − ẋ)fẋ ]|t=t0 = 0

6. Kombinasi dari semua kasus-kasus di atas.

x(T ) ≥ xT , (xT diberikan, T tetap.).

(2.43) p(t) ≡ −∂f /∂ ẋ,

Syarat Transversalitas ( 2.39) dapat dituliskan dalam bentuk