11
REKAYASA DAN OPTIMASI PROSES
Lagrange Multipliers
Br
a Ir. Usman Effendi, MS
wi Lab. Komputasi Dan Analisis Sistem, FTP, Universitas Brawijaya
ja Email : usman_eff@ub.ac.id
ya
U
M 1. PENDAHULUAN
ni b. Determination Of Minimum
at
ve 1.1 Pengantar Or Maximum MODUL
a 1.2 Tujuan
rsi c. Penentuan Minimum Atau
ty 2. PENGANTAR METODE KALKULUS
K Maksimum
3
3. METODE LAGRANGE MULTIPLIER d. Konversi Dibatasi Untuk
ul
4. METODE LAGRANGE MULTIPLIER Masalah Dibatasi
ia OPTIMASI tidak BERKENDALA 7. MASALAH OPTIMASI
h 5. OPTIMASI BERKENDALA BERKENDALA
/ 6. MASALAH DALAM OPT TIDAK 8. OPTIMASI DENGAN
M BERKENDALA
a. Penggunaan Gradien Untuk
KENDALA KETIMPANGAN:
KONDISI KUHN-TUCKER
Minggu 3
at Optimasi
er
iK 1. PENDAHULUAN SE
ul 1.1 PENGANTAR
ia
LF
h Jika fungsi ini kontinu dan terdiferensialkan, turunannya menjadi nol -
pada titik ekstrem tersebut. Untuk fungsi y (x), kondisi ini ditulis PR
sebagai
O
PA
G
di mana x adalah variabel independen. Dasar untuk properti ini dapat AT
dijelaskan dalam hal ekstrem yang ditunjukkan pada Gambar 1. IN
Sebagai maksimum pada titik A adalah mendekati, nilai fungsi y (x)
meningkat dan hanya di luar titik ini, itu berkurang, sehingga nol G
gradien di A. Demikian pula, nilai fungsi menurun hingga minimum E
pada titik B dan meningkat melampaui B, memberikan nol kemiringan
di B. Dalam rangka untuk menentukan apakah titik adalah maksimum N
atau minimum, derivatif kedua dihitung. Karena lereng pergi dari TR
positif ke negatif, melalui nol, maksimum, turunan kedua adalah
negatif. Demikian pula, kemiringan meningkat minimal dan, dengan EP
demikian, turunan kedua adalah positif. Ini kondisi dapat ditulis RE
sebagai (Keisler, 1986).
N
E
U
RI
AL
ED
Rekayasa dan Optimasi Proses / Lagrange Multiplier Brawijaya University 2012
1.2 TUJUAN
1.2.1 Tujuan Instruksional Umum
Setelah mengikuti mata kuliah ini mahasiswa akan memiliki kemampuan melakukan
analisis suatu proses dan melakukan optimasi dengan metode yang telah dipelajarinya
Page 2 of 27
Rekayasa dan Optimasi Proses / Lagrange Multiplier Brawijaya University 2012
CONTOH 1:
Terapkan teknik kalkulus berbasis optimasi hanya diberikan kepada meminimalkan biaya
C untuk panas bergulir jumlah yang diberikan dari logam. Biaya ini dinyatakan dalam hal
laju aliran massa m bahan sebagai berikut
di mana istilah pertama di sisi kanan merupakan biaya peralatan, yang meningkat
dengan meningkatnya laju alir, dan istilah kedua merupakan operasi biaya, yang turun
dengan meningkatnya m.
SOLUSI
Karena itu
DASAR PENDEKATAN
dimana U adalah fungsi tujuan yang akan dioptimalkan dan Gi = 0, dengan i bervariasi
dari 1 sampai n, merupakan kendala kesetaraan n. Seperti disebutkan sebelumnya, jika
kendala ketimpangan muncul dalam masalah, ini harus diubah menjadi kesetaraan
kendala untuk menerapkan metode ini. Selain itu, dalam beberapa kasus,
ketidaksetaraan kendala hanya mendefinisikan domain diterima dan tidak digunakan
dalam optimasi proses. Namun demikian, solusi yang diperoleh diperiksa untuk
memastikan bahwa kendala puas.
dimana λ adalah parameter yang tidak diketahui, yang dikenal sebagai pengali Lagrange.
Kemudian, menurut metode ini, optimum terjadi pada solusi dari sistem persamaan
yang dibentuk oleh persamaan berikut:
Page 4 of 27
Rekayasa dan Optimasi Proses / Lagrange Multiplier Brawijaya University 2012
Jika U fungsi tujuan dan kendala Gi yang terus menerus dan terdiferensialkan,
sistem persamaan aljabar diperoleh. Karena ada persamaan m untuk kendala dan
persamaan tambahan n berasal dari ekspresi Lagrange, total m+ n persamaan simultan
diperoleh. Yang tidak diketahui adalah m pengganda, sesuai dengan kendala m, dan
variabel independen n. Oleh karena itu, sistem ini dapat diselesaikan untuk
mendapatkan nilai-nilai variabel independen, yang menentukan lokasi yang optimum,
serta multiplier. Analytical metode untuk memecahkan sistem persamaan aljabar dapat
digunakan jika persamaan linier diperoleh dan / atau ketika jumlah persamaan kecil,
biasanya sampai dengan sekitar lima. untuk nonlinear persamaan dan untuk set yang
lebih besar, metode numerik umumnya lebih tepat. Nilai optimum dari fungsi tujuan ini
kemudian ditentukan dengan menggantikan nilai-nilai yang diperoleh untuk variabel
independen terhadap ekspresi untuk U. optimum sering diwakili oleh tanda bintang,
yaitu, X1*, X2*, …. Xn* dan U*.
Oleh karena itu, vektor gradien, yang normal dengan kontur U konstan, adalah
nol, menyiratkan bahwa tingkat perubahan U adalah nol sebagai salah satu bergerak
menjauh dari titik dimana persamaan ini puas. Ini menunjukkan titik stasioner, atau
ekstrem, seperti ditunjukkan secara kualitatif pada Gambar 2 untuk satu atau dua
variabel independen. Intinya mungkin minimum atau maksimum. Hal ini juga dapat
menjadi titik pelana, ridge, atau lembah (lihat Gambar 2). Informasi tambahan yang
diperlukan untuk menentukan sifat stasioner titik, seperti yang dibahas kemudian.
Karena Persamaan adalah persamaan vektor, masing-masing komponen dapat
ditetapkan sama dengan nol, sehingga menimbulkan dua persamaan berikut:
Gambar 3. Interpretasi fisik metode lagrange multiplier untuk dua variabel independen
dan kendala tunggal
Kurva U konstan di bawah kurva kendala tidak memenuhi kendala dan yang di
atas itu memberikan nilai U lebih besar dari optimum pada lokasi di mana mereka
bersinggungan dengan kurva kendala. Jelas, nilai U lebih kecil dari yang di yang optimal
ditunjukkan pada gambar bisa diperoleh jika ada kendala tidak ada, dalam hal
persamaan yang mengatur akan diperoleh dari Persamaan ∇ U . Sebagai contoh,
mempertimbangkan U fungsi tujuan dalam bentuk
Kendala ini dapat ditulis sebagai berikut untuk meletakkannya dalam bentuk yang
Page 7 of 27
Rekayasa dan Optimasi Proses / Lagrange Multiplier Brawijaya University 2012
Berikut E, koefisien A dan B, dan eksponen a, b, c, dan d diasumsikan menjadi
konstanta yang diketahui. Ekspresi seperti yang sering ditemui dalam termal sistem.
Misalnya, U mungkin biaya keseluruhan dan x dan y pompa yang dibutuhkan dan
diameter pipa, masing-masing, dalam sistem aliran air. Tekanan menurun dengan
meningkatnya diameter, sehingga biaya lebih rendah untuk pompa, dan biaya untuk
meningkatkan pipa. Hal ini menimbulkan hubungan seperti Persamaan untuk E. Dengan
demikian, kontur U konstan dapat ditarik bersama dengan kurva kendala sebuah bidang
x - y, seperti sketsa pada Gambar 4 (a). Kemudian optimal ditunjukkan dengan lokasi di
mana kontur U konstan menjadi tangensial dengan kendala kurva, sehingga
menyelaraskan ∇ U dan ∇ G vektor. Untuk kasus sederhana ketika semua konstanta
dalam ekspresi kesatuan, yaitu, U = x+y dan G = xy - 1 = 0, U konstan kontur berupa
garis lurus dan kurva kendala diberikan oleh x = 1 / y, seperti sketsa pada Gambar 4
(b). Optimum adalah pada x* = 1,0 dan y* = 1,0, dan nilai U* optimum adalah 2,0 untuk
kasus ini.
untuk
Gambar 4. (a). Optimisasi masalah kendala sederhana dan (b) hasil dari semua
kendala diberikan oleh ekpresi adalah satu.
Page 8 of 27
Rekayasa dan Optimasi Proses / Lagrange Multiplier Brawijaya University 2012
Sekali lagi, mudah untuk memvisualisasikan vektor gradien jika hanya dua
atau tiga variabel terlibat, seperti yang terlihat di bagian sebelumnya. Namun,
konsep-konsep dasar yang sama dan dapat diperpanjang untuk setiap nomor
yang sesuai dari variabel. Semua komponen Persamaan vektor persamaan, ∇ U,
harus nol agar vektor menjadi nol karena semua variabel diambil sebagai
independen satu sama lain. Oleh karena itu, optimal diperoleh dengan
memecahkan persamaan
Hal ini mirip dengan kondisi untuk titik stasioner diberikan oleh Persamaan
untuk variabel tunggal independen. Fungsi tujuan harus kontinu dan
terdiferensialkan fungsi dari variabel independen dalam masalah dan derivatif
harus kontinu.
Page 9 of 27
Rekayasa dan Optimasi Proses / Lagrange Multiplier Brawijaya University 2012
PENENTUAN MINIMUM ATAU MAKSIMUM
dimana
Oleh karena itu, untuk dua variabel independen, optimal dapat diperoleh
dengan memecahkan ∂U/∂1 = ∂U /∂x2 = 0 dan menerapkan kondisi sebelumnya.
Meskipun mirip kondisi dapat diturunkan untuk sejumlah besar variabel, analisis
menjadi cukup terlibat. Oleh karena itu, dalam keadaan paling praktis, yang
melibatkan tiga atau lebih variabel independen, akan lebih mudah dan efisien
bergantung pada sifat fisik dari masalah untuk menentukan apakah maksimum
minimum atau memiliki telah diperoleh. Selain itu, variabel independen dapat
berubah sedikit dekat optimal untuk menentukan apakah nilai meningkat fungsi
objektif atau menurun. Jika nilai berkurang sebagai salah satu bergerak menjauh
dari optimal, maksimal diindikasikan, sedangkan jika itu meningkat, minimal telah
diperoleh.
CONTOH
Biaya per unit massa dari bahan yang diproses di fasilitas ekstrusi diberikan oleh
ekspresi
Page 10 of 27
Rekayasa dan Optimasi Proses / Lagrange Multiplier Brawijaya University 2012
di mana T adalah temperatur berdimensi dari bahan yang diekstrusi, V adalah laju
aliran volume berdimensi, dan C mencakup modal dan biaya operasional.
Tentukan biaya minimum.
SOLUSI
Karena tidak ada kendala, pendekatan yang diberikan dalam bagian sebelumnya
mungkin diadopsi. Oleh karena itu, lokasi optimal diberikan oleh solusi
persamaan.
Persamaan ini memberikan V* = 1,6930 dan T* = 0,6182. Bila ini diganti dalam
ekspresi untuk C, diperoleh C* = 5,1763. Sekarang turunan kedua mungkin
diperoleh untuk memastikan sifat dari titik kritis. Dengan demikian,
Mensubstitusikan nilai-nilai dari V dan T pada titik stasioner, menghitung ini tiga
derivatif kedua sebagai 1,3544, 23,7023, dan 1,2364, masing-masing. ini
memberikan S = 30,57. Oleh karena itu, S = 0 dan ∂2C /∂V2 = 0, menunjukkan
bahwa biaya minimum telah diperoleh.
Page 11 of 27
Rekayasa dan Optimasi Proses / Lagrange Multiplier Brawijaya University 2012
Mengganti ini nilai y ke Persamaan
Oleh karena itu, masalah tak terbatas diperoleh dengan U (x) sebagai fungsi
tujuan.Optimum ini diperoleh dengan mengatur ∂U/∂x = 0, yang menghasilkan
nilai x. Nilai y yang sesuai secara optimum diperoleh dari Persamaan y dan nilai
optimum U diperoleh dari Persamaan U. Sangat mudah untuk melihat bahwa x*
y* = 1,0 dan U* = 2.0 untuk kasus sederhana ketika semua konstanta dan
eksponen adalah kesatuan.
Jika jumlah kendala lebih besar dari jumlah variabel, masalah ini overconstrained
dan beberapa dari kendala harus dibuang, mengakibatkan kesewenang-wenangan dan
nonuniqueness dalam solusi. Pertimbangan ini terbukti dari Persamaan, dimana Kondisi
m<n diperlukan untuk optimasi sistem. Jika m = n, kendala persamaan dapat digunakan
untuk mendapatkan solusi, dan jika m>n, masalah tersebut overconstrained, dan tidak
ada solusi yang mungkin kecuali m - n kendala yang dibuang. Mengingat masalah
optimisasi, yaitu, m<n, metode pengganda Lagrange dapat diterapkan untuk
menentukan desain yang optimal. Persamaan yang perlu dipecahkan diberikan oleh
Persamaan Persamaan dapat ditulis ulang di sini sebagai:
dimana ∇ U dan ∇ Gi adalah vektor gradien, yang dapat diperluas dalam hal variabel
independen n. Oleh karena itu, m + n persamaan diperoleh untuk n variabel independen
dan pengganda m.
Page 12 of 27
Rekayasa dan Optimasi Proses / Lagrange Multiplier Brawijaya University 2012
Persamaan dapat linear atau nonlinear, dan mungkin melibatkan polinomial atau
fungsi transendental seperti eksponensial, fungsi logaritma, dan hiperbolik. Analytical
metode mungkin digunakan untuk kasus-kasus yang relatif sederhana dengan sejumlah
kecil persamaan. Teknik numerik, dapat digunakan untuk keadaan lebih rumit, yang
biasanya timbul ketika berhadapan dengan sistem termal praktis. Jika hanya ada satu
kendala, G = 0, Hanya satu Pengali Lagrange λ muncul dan ditentukan dari solusi yang
dihasilkan n + 1 persamaan. Perhatikan, misalnya, masalah optimasi sederhana yang
diberikan oleh:
Hal ini dapat menunjukkan bahwa jika salah satu atau x1 x2 bervariasi dari nilai optimal,
sekaligus memastikan bahwa kendala puas, U fungsi tujuan meningkat. Oleh karena itu,
yang optimum yang diperoleh adalah minimum di U. Dalam kasus sederhana, turunan
kedua juga dapat diturunkan untuk mengkonfirmasi bahwa minimal di U telah diperoleh.
Itu Koefisien sensitivitas Sc = - λ = 2,027. Hal ini memberi efek santai kendala pada nilai
optimum U. Sebagai contoh, jika x 1x2 = 13, bukan 12, U* dapat dihitung menjadi
38,493, naik dari 2,0. Perbedaan kecil dalam perubahan di U* dari nilai yang dihitung
dari Sc adalah hasil dari persamaan nonlinear yang membuat Sc fungsi dari x1 dan tidak
konstan. Contoh berikut menggambarkan hal ini untuk masalah tangki dianggap
sebelumnya. Memecahkan masalah tangki diberikan sebagai masalah optimasi dibatasi.
Solusi Fungsi tujuan adalah Sebuah wilayah, yang harus diminimalkan, dan kendala
adalah volume V. Dengan demikian, masalah optimasi dapat ditulis sebagai:
Koefisien sensitivitas Sc, yang sama dengan - λ, diperoleh sebagai tambahan Informasi.
Mari berasumsi bahwa kendala pada volume diperlonggar dari 2,0 ke 2.1. Kemudian,
dengan mudah dapat ditunjukkan bahwa r* = 0,694 m dan A* = 9,078 m2. Oleh karena
itu,∂A /∂V = (9,078-8,793) / 0,1 = 2,85, yang dekat dengan koefisien Sc sensitivitas,
Page 13 of 27
Rekayasa dan Optimasi Proses / Lagrange Multiplier Brawijaya University 2012
yang diberikan oleh - λ dan, dengan demikian, sama dengan 2,928 pada titik optimum.
Sekali lagi, perbedaan sedikit antara Sc dan ∂A /∂V adalah karena ketergantungan pada
variabel.
Beberapa kendala
Seperti pada satu kendala, alasan yang sama berlaku. Jika dua atau lebih kendala
aktif bersama-sama, masing-masing memberikan kontribusi arah kendala yang akan
melanggarnya. Bersama-sama, "arah penyimpangan" membentuk "ruang
penyimpangan", di mana gerakan kecil dalam segala arah dalam ruang akan
melanggar satu atau lebih kendala. Dengan demikian, untuk memenuhi beberapa
kendala bisa dinyatakakan (menggunakan terminologi baru) bahwa pada titik
stasioner, bahwa arah perubahan f adalah dalam "ruang penyimpangan" yang
diciptakan oleh kendala bertindak bersama-sama.
Ruang penyimpangan diciptakan oleh kendala terdiri dari semua poin yang dapat
dicapai dengan menambahkan kombinasi linear dari vektor arah penyimpangan-
dengan kata lain, semua poin yang "terjangkau" ketika menggunakan arah
penyimpangan individu sebagai dasar ruang . Dengan demikian, dapat secara singkat
dinyatakan bahwa v berada dalam ruang didefinisikan oleh jika dan
hanya jika terdapat satu set "pengganda" sedemikian rupa sehingga:
yang bagi, kami menerjemahkan tujuan untuk menyatakan bahwa arah yang berubah
f pada p adalah di "ruang penyimpangan" didefinisikan oleh kendala
jika dan hanya jika:
Metode selesai sekarang (dari sudut pandang pemecahan masalah menemukan titik
stasioner) tetapi sebagai matematikawan senang dalam melakukan, persamaan
dapat lebih kental ke dalam bentuk yang lebih elegan dan ringkas. Lagrange harus
cerdik menyadari bahwa persamaan di atas terlihat seperti derivatif parsial dari
Page 14 of 27
Rekayasa dan Optimasi Proses / Lagrange Multiplier Brawijaya University 2012
beberapa fungsi skalar L besar yang mengambil semua dan semua
sebagai masukan. Selanjutnya, ia kemudian mungkin telah
memperhatikan bahwa pengaturan setiap persamaan sama dengan nol adalah
persis apa yang harus dilakukan untuk memecahkan titik stasioner tak terbatas dari
fungsi yang lebih besar. Akhirnya, ia menunjukkan bahwa L fungsi yang lebih besar
dengan derivatif parsial yang persis yang dibutuhkan dapat dibangun sangat
sederhana sebagai berikut:
Memecahkan persamaan di atas untuk poin tak terbatas yang stasioner menghasilkan
persis titik stasioner sama dengan pemecahan untuk titik stasioner dibatasi dari f di
bawah kendala .
Metode Lagrange adalah umum oleh kondisi Karush-Kuhn-Tucker, yang juga dapat
mempertimbangkan kendala ketimpangan bentuk h (x) ≤ c.
kemudian
Jadi, λk adalah laju perubahan kuantitas yang dioptimalkan sebagai fungsi dari
variabel kendala. Sebagai contoh, dalam mekanika Lagrangian persamaan gerak yang
diperoleh dengan mencari titik stasioner dari tindakan , waktu integral dari perbedaan
antara energi kinetik dan potensial. Dengan demikian, gaya pada partikel karena
potensi skalar, , Dapat diartikan sebagai pengali Lagrange menentukan
perubahan dalam tindakan (transfer potensial menjadi energi kinetik) setelah variasi
dalam lintasan partikel dibatasi. Dalam teori kontrol ini dirumuskan bukan sebagai
persamaan costate.
Selain itu, dengan teorema amplop nilai optimal dari multiplier Lagrange memiliki
interpretasi sebagai efek marginal dari kendala yang sesuai konstan pada nilai dicapai
optimal dari fungsi tujuan aslinya: jika dapat menunjukkan nilai di optimum dengan
tanda bintang, maka dapat ditunjukkan bahwa
Page 15 of 27
Rekayasa dan Optimasi Proses / Lagrange Multiplier Brawijaya University 2012
Misalnya, di bidang ekonomi keuntungan optimal untuk pemain dihitung tunduk pada
ruang dibatasi tindakan, di mana pengali Lagrange adalah perubahan nilai optimal dari
fungsi tujuan karena relaksasi dari kendala tertentu (misalnya melalui perubahan
Pendapatan), dalam konteks seperti adalah biaya marjinal dari kendala tersebut,
dan disebut sebagai harga bayangan .
Contoh 1
Page 16 of 27
Rekayasa dan Optimasi Proses / Lagrange Multiplier Brawijaya University 2012
Contoh 2
dengan kondisi bahwa x dan y koordinat terletak pada lingkaran di sekitar asal dengan
jari-jari, √ 3 yaitu, tunduk pada kendala
Karena hanya ada satu kendala tunggal, akan menggunakan hanya satu multiplier,
katakanlah λ.
Kendala g (x, y) -3 sama dengan nol pada lingkaran dengan jari-jari √ 3. Jadi apapun
-3 beberapa g (x, y) dapat ditambahkan ke f (x, y) meninggalkan f (x, y) tidak
berubah di daerah bunga (di atas lingkaran di mana kendala asli kami puas). Mari
Yang penting nilai-nilai terjadi di mana gradien adalah nol. Derivatif parsial
Page 17 of 27
Rekayasa dan Optimasi Proses / Lagrange Multiplier Brawijaya University 2012
Oleh karena itu, fungsi tujuan mencapai yang maksimum global (tunduk pada
batasan) pada dan minimum global di Intinya adalah
minimum lokal dan adalah sebuah maksimum lokal , sebagaimana
ditentukan oleh pertimbangan matriks Hessian dari .
Perhatikan bahwa sementara adalah titik kritis , Itu bukan titik ekstrem
lokal. Kami memiliki . Mengingat
setiap lingkungan , Dapat memilih positif kecil dan kecil dari salah
satu tanda untuk mendapatkan nilai baik besar dan kurang dari .
Perhatikan, misalnya, masalah pilihan konsumen. Tidak ada alasan untuk bersikeras
bahwa konsumen menghabiskan semua kekayaannya. Untuk memungkinkan dia
untuk tidak menghabiskan semuanya, dapat dirumuskan masalah optimasi nya
dengan kendala ketimpangan:
Page 18 of 27
Rekayasa dan Optimasi Proses / Lagrange Multiplier Brawijaya University 2012
Tergantung pada karakter u fungsi dan nilai-nilai p dan w, mungkin memiliki p x <w
atau p x = w pada solusi dari masalah ini.
Salah satu pendekatan untuk memecahkan masalah ini dimulai dengan menentukan
mana dari kedua kondisi memegang sebuah solusi. Dalam masalah yang lebih
kompleks, dengan lebih dari satu kendala, pendekatan ini tidak bekerja dengan baik.
Perhatikan, misalnya, seorang konsumen yang menghadapi dua kendala (mungkin
uang dan waktu). Tiga contoh yang ditampilkan pada gambar 7 berikut, yang harus
meyakinkan Anda bahwa tidak dapat menyimpulkan dari sifat sederhana u sendiri
yang dari kendala, jika ada, sesuai dengan kesetaraan di solusi.
dimana f dan g j untuk j = 1, ..., m adalah fungsi dari variabel n, x = (x 1, ..., x n), dan
c j untuk j = 1, ..., m adalah konstanta .
Semua masalah yang telah dipelajari sejauh dapat dimasukkan ke dalam bentuk ini.
Kendala Kesetaraan
Kendala Nonnegativity
Masalah Minimisasi
Page 19 of 27
Rekayasa dan Optimasi Proses / Lagrange Multiplier Brawijaya University 2012
Untuk masalah minimisasi diperoleh dengan mengalikan fungsi obyektif dengan -1:
Ada dua kemungkinan solusi dari masalah ini. Pada gambar berikut, kurva tertutup
hitam kontur f, nilai peningkatan fungsi dalam arah yang ditunjukkan oleh panah biru.
Garis miring ke bawah merah adalah himpunan titik-titik x memuaskan g (x) = c,
himpunan poin x memuaskan g (x) ≤ c terletak di bawah dan kiri dari garis, dan
mereka g memuaskan (x) ≥ c terletak di atas dan di sebelah kanan baris.
Dalam setiap panel solusi dari masalah adalah titik x*. Pada panel sebelah kiri kendala
mengikat pada solusi: perubahan dalam c mengubah solusi. Pada panel sebelah
kanan, kendala yang kendur di solusinya: perubahan kecil dalam c tidak berpengaruh
pada solusi.
Kemudian dari analisis kami sebelumnya masalah dengan kendala kesetaraan dan
tanpa kendala,
jika g (x*) = c (seperti dalam panel kiri) dan kendala memenuhi kondisi
keteraturan, kemudian 'Li (x*) = 0 untuk semua i
jika g (x*) <c (seperti dalam panel kanan), maka f i '(x*) = 0 untuk semua i.
Sekarang, saya menyatakan bahwa dalam kasus pertama (yaitu, jika g (x*) = c)
dengan memiliki λ ≥ 0. Misalkan, sebaliknya, yang λ <0. Kemudian diketahui bahwa
penurunan kecil di c meningkatkan nilai maksimal f. Artinya, bergerak x* dalam
kendala meningkatkan nilai f, bertentangan dengan fakta bahwa x* adalah solusi dari
masalah.
Page 20 of 27
Rekayasa dan Optimasi Proses / Lagrange Multiplier Brawijaya University 2012
Dalam kasus kedua, nilai λ tidak memasuki kondisi, sehingga dapat memilih nilai
untuk itu. Mengingat interpretasi λ, pengaturan λ = 0 masuk akal. Dengan asumsi ini
memiliki fi'(x) = L'i (x) untuk semua x, sehingga L'i (x*) = 0 untuk semua i.
Jadi dalam kedua kasus kami memiliki L'i (x*) = 0 untuk semua i, λ ≥ 0, dan g (x*) ≤
c. Dalam kasus pertama memiliki g (x*) = c dan dalam kasus kedua λ = 0.
Selanjutnya dapat menggabungkan dua kasus dengan menulis kondisi sebagai berikut
Sekarang, produk dari dua angka adalah nol jika dan hanya jika setidaknya salah satu
dari mereka adalah nol, jadi alternatif bisa menulis kondisi sebagai
Definisi
Kondisi Kuhn-Tucker untuk masalah
adalah
= 0 untuk j = 1, ...,
λ j ≥ 0, j g (x) ≤ c j dan λ j [g j (x) - c j]
m,
dimana
m
L (x) = f (x) - Σ j=1 λ j (j g (x) - c j).
Kondisi ini dinamai untuk menghormati Harold W. Kuhn, seorang anggota emeritus
dari Princeton Matematika Departemen, dan Albert W. Tucker , yang pertama kali
merumuskan dan mempelajari kondisi.
Dalam bagian berikut saya mendiskusikan hasil yang menentukan hubungan yang
tepat antara solusi dari Kuhn-Tucker kondisi dan solusi dari masalah. Contoh berikut
menggambarkan bentuk kondisi dalam kasus tertentu.
Contoh
Page 21 of 27
Rekayasa dan Optimasi Proses / Lagrange Multiplier Brawijaya University 2012
Pertimbangkan masalah
2 2]
max x 1, x 2 [- (x 1 - 4) - (x 2 - 4) tunduk x 1 +x 2 ≤ 4 dan 3 x 1 +x 2 ≤ 9,
Kami memiliki
2 2
L (x 1, x 2) = - (x 1 - 4) - (x 2 - 4) -λ 1 (x 1 +x 2 - 4) - λ 2 (3 x 1 +x 2 - 9) .
Kondisi Kuhn-Tucker
-2 (X 1 - 4) - λ 1 - 2 3λ = 0
-2 (X 2 - 4) - λ 1 -λ 2 = 0
x 1 +x 2 ≤ 4, λ 1 ≥ 0, dan λ 1 (x 1 +x 2 - 4) = 0
3x 1 +x 2 ≤ 9, λ 2 ≥ 0, dan λ 2 (3 x 1 +x 2 - 9) = 0.
Kondisi Perlu
Stasioneritas
Kelayakan Primal
Kelayakan Ganda
Dalam kasus tertentu , Yaitu, jika tidak ada kendala ketimpangan, kondisi KKT
berubah menjadi kondisi Lagrange, dan pengganda KKT disebut Lagrange .
Agar titik minimum untuk memenuhi kondisi KKT di atas, harus memenuhi
beberapa kondisi keteraturan, yang paling banyak digunakan tercantum di bawah ini:
Linearitas kendala kualifikasi : Jika dan adalah fungsi affine, maka tidak
ada kondisi lain yang diperlukan.
Kemerdekaan kendala linier kualifikasi (licq): gradien dari kendala ketimpangan
aktif dan gradien dari kendala kesetaraan yang linear di .
Mangasarian-Fromovitz kendala kualifikasi (MFCQ): gradien dari kendala
ketimpangan aktif dan gradien dari kendala kesetaraan positif-linear
independen pada .
Peringkat Konstan kendala kualifikasi (CRCQ): untuk setiap subset dari gradien
dari kendala ketimpangan aktif dan gradien dari kendala kesetaraan pangkat di
sekitar adalah konstan.
Ketergantungan konstanta positif kualifikasi kendala linear (CPLD): untuk setiap
subset dari gradien dari kendala ketimpangan aktif dan gradien dari kendala
kesetaraan, jika hasilnya positif-linear bergantung pada maka positif-linear
bergantung pada sekitar .
Kuasi-normalitas kendala kualifikasi (QNCQ): jika gradien dari kendala
ketimpangan aktif dan gradien dari kendala kesetaraan positif-linear
independen pada dengan pengganda terkait untuk kesetaraan dan
untuk ketidaksetaraan, maka tidak ada urutan sehingga
dan .
Kondisi Slater : untuk masalah cembung, terdapat titik sehingga
dan untuk semua aktif dalam .
Page 23 of 27
Rekayasa dan Optimasi Proses / Lagrange Multiplier Brawijaya University 2012
( ) Adalah positif-linear tergantung jika ada tidak
semua nol sehingga .
Hal ini dapat ditunjukkan bahwa licq ⇒ MFCQ ⇒ CPLD ⇒ QNCQ, licq ⇒ CRCQ ⇒ CPLD ⇒
QNCQ (dan converses yang tidak benar), meskipun MFCQ tidak setara dengan CRCQ.
Dalam prakteknya kualifikasi kendala lemah lebih disukai karena mereka memberikan
kondisi optimalitas kuat.
Kondisi Cukup
Dalam beberapa kasus, kondisi yang diperlukan juga cukup untuk optimalitas. Secara
umum, kondisi yang diperlukan tidak cukup untuk optimalitas dan informasi tambahan
yang diperlukan, seperti Kondisi Orde Kedua Cukup (SOSC). Untuk fungsi mulus,
SOSC melibatkan derivatif kedua, yang menjelaskan namanya.
Kondisi yang diperlukan adalah cukup untuk optimalitas jika fungsi tujuan dan
kendala ketimpangan dapat didiferensiasi secara kontinu fungsi cembung dan
kendala kesetaraan adalah fungsi affine .
Hal ini ditunjukkan oleh Martin pada tahun 1985 bahwa kelas yang lebih luas dari
fungsi di mana kondisi KKT menjamin optimalitas global disebut Tipe 1 fungsi Invex
.
Ekonomi
Seringkali dalam matematika ekonomi pendekatan KKT digunakan dalam model
teoritis untuk memperoleh hasil kualitatif. Sebagai contoh, pertimbangkan sebuah
perusahaan yang memaksimalkan subjek penjualan untuk kendala keuntungan
minimum. Membiarkan Q menjadi kuantitas output yang dihasilkan (untuk dipilih), R
(Q) akan penjualan dengan turunan pertama positif dan dengan nilai nol nol output, C
(Q) menjadi biaya produksi dengan turunan pertama positif dan dengan non-negatif
nilai nol pada output, dan menjadi tingkat yang dapat diterima positif minimal
keuntungan , maka masalahnya adalah satu bermakna jika tingkat fungsi pendapatan
off sehingga akhirnya kurang curam daripada fungsi biaya. Masalah dinyatakan dalam
bentuk minimisasi sebelumnya diberikan adalah
Page 24 of 27
Rekayasa dan Optimasi Proses / Lagrange Multiplier Brawijaya University 2012
Karena Q = 0 akan melanggar kendala keuntungan minimum, kami telah Q> 0 dan
karenanya kondisi ketiga menyiratkan bahwa kondisi pertama memegang dengan
kesetaraan. Memecahkan kesetaraan yang memberikan
Fungsi Nilai
Jika kembali ke masalah optimasi sebagai masalah maksimisasi dengan kendala
ketimpangan konstan,
Page 25 of 27
Rekayasa dan Optimasi Proses / Lagrange Multiplier Brawijaya University 2012
REFERENSI
Edgar, T F. And DM Himmelblau. 2001. Optimization Of Chemical Processes, Second
Edition. Mcgraw-Hill. New York.
Jaluria, Yogesh. 2008. Design and optimization of thermal systems 2nd ed. CRC Press.
USA
Jelen, FC. 1985. Cost and Optimization Engineering. Second edition. McGraw-Hill. New
York.
http://www.economics.utoronto.ca/osborne/MathTutorial/MEN.HTM#Lagrangean
http://www.economics.utoronto.ca/osborne/index.html
http://en.wikipedia.org/wiki/Karush–Kuhn–Tucker conditions
PROPAGASI
2. Tangki silinder dirancang untuk menyimpan air hangat dari system kolektor
surya. Volume diberikan adalah 2 m3 dan luas permukaan diminimalkan untuk
meminimasi kelhilangan panas ke sekeliling. Selesaikan maslah optimasi ini
dengan keadaan tidak berkendala.
Kendala 2x + y ≤ 1
-x +2y ≤ 4
x≥0
y≥0
Min2 x 2 +3 x 2 +4 x 1 x 2 −8 x1 −6 x 2 +8
1 2
Kendala x1 + x 2≤1
Page 26 of 27
Rekayasa dan Optimasi Proses / Lagrange Multiplier Brawijaya University 2012
A. QUIZ - (Evaluasi)
Page 27 of 27