Pengganda Lagrange

Teknik Optimasi
Semester Ganjil 2013/2014
METODE LAGRANGE PADA NLP DENGAN
SATU KENDALA
Digunakan untuk memaksimumkan fungsi
obyektif f(x, y, z) subject to suatu kendala
dalam bentuk g(x, y, z) = k.
PENGGANDA LAGRANGE

Untuk mempermudah pemahaman metode

ini secara geometris, diterapkan terlebih
dahulu pada fungsi-fungsi dengan dua
variabel.
Ingin dicari nilai maksimum dari f(x, y)
subject to suatu kendala dalam bentuk
g(x, y) = k.
PENGGANDA LAGRANGE – DUA VARIABEL

Nilai maksimum bagi f(x, y) harus berada

pada level kurva g(x, y) = k.
Gambar berikut menunjukkan level kurva g(x, y) = k
bersama beberapa level kurva f(x, y) = c,
c = 11, 10, 9, 8, 7
PENGGANDA LAGRANGE – DUA VARIABEL

Untuk memaksimumkan f(x, y) subject to

g(x, y) = k adalah mencari
Nilai c terbesar sedemikian sehingga level kurva
f(x, y) = c bertemu dengan g(x, y) = k
 mempunyai
gradien yang sama
 PENGGANDA LAGRANGE – DUA VARIABEL

Gradien/garis normal pada titik singgung (x0 , y0)

adalah sama untuk kedua fungsi.
 Vektor gradien paralel
 Untuk skalar tertentu λ:

f ( x0 , y0 )   g ( x 0 , y0 )
PENGGANDA LAGRANGE – TIGA VARIABEL

Serupa dengan argumen pada fungsi dengan

dua variabel, pada kasus maksimum dari
f(x, y, z) subject to kendala g(x, y, z) = k.
 Solusi (x, y, z) harus berada pada level
g(x, y, z) = k.
 Jika nilai maksimum dari f ada pada titik x0, y0, z0 di
mana f(x0, y0, z0) = c, maka pada titik tersebut gradien
dari f akan sama dengan gradien dari g(x, y, z) = k.
 Untuk skalar tertentu λ:

f  x0 , y0 , z0   g  x0 , y0 , z0 
PENGGANDA LAGRANGE—METODE

a. Tentukan semua nilai x, y, z, dan λ

sedemikian
 f  x , y , z    g  x , y , z 
dan g  x, y , z   k
b. Evaluasi f pada semua titik (x, y, z) yang
dihasilkan di langkah a.
 Nilai terbesar  maksimum bagi f.
 Nilai terkecil  minimum bagi f.
METODE LAGRANGE

Pada penurunan dengan metode

Lagrange, diasumsikan bahwa g  0

 Pada semua titik di mana g(x, y, z) = k  g  0

METODE LAGRANGE

Pada langkah a di mana f   g

Persamaan vektor gradien tersebut harus
dinyatakan per komponen (turunan parsial)
sedemikian:
fx = λgx fy = λgy fz = λgz g(x, y, z) = k
 Merupakan sistem dari 4 persamaan dengan 4 variabel
yang tidak diketahui x, y, z, and λ.
 Tidak harus memperoleh nilai eksplisit bagi λ.
METODE LAGRANGE

Prinsip tersebut ekuivalen dengan

permasalahan:
Max atau Min bagi:
L(x, y, z, λ) = f(x, y, z) – λ(k - g(x, y, z))

f.o.c bagi permasalah tsb:

Lx = fx – λ gx =0 ↔ fx = λgx
Ly = fy – λ gy =0 ↔ fx = λgx
Lz = fz –λgz =0 ↔ fz = λgz
Lλ = k – g(x, y, z) =0 ↔g(x, y, z) = k
 METODE LAGRANGE

Untuk fungsi dengan dua variabel, cara

yang sama dapat dilakukan
max atau min f(x, y)
s.t. g(x, y) = k,
Ingin diperoleh x, y, dan λ sedemikian:
(2 turunan parsial saja)
fx = λgx fy = λgy g(x, y) = k
Tiga persamaan untuk menyelesaikan tiga variabel x, y, and λ.
METODE LAGRANGE

Prinsip tersebut ekuivalen dengan

permasalahan:
Max atau Min bagi:
L(x, y, λ) = f(x, y) – λ(k - g(x, y))

f.o.c bagi permasalah tsb:

Lx = fx – λ gx =0 ↔ fx = λgx
Ly = fy – λ gy =0 ↔ fx = λgx
Lλ = k – g(x, y) =0 ↔g(x, y) = k
Interpretasi λ Untuk Analisis Sensitifitas

Dari hubungan:
fx = λgx fy = λgy g(x, y) = k

λ= fx / gx= fy / gy
Adalah laju perubahan nilai fungsi akibat
perubahan nilai pada kendala
Efek perubahan ketersediaan bahan baku
(ruas kanan kendala) terhadap nilai optimal
fungsi
Contoh:
Untuk permasalahan berikut, yang penjelasannya
akan saya berikan di kelas
METODE LAGRANGE PADA NLP DENGAN
BEBERAPA KENDALA
Digunakan λi sejumlah kendala (m) yang digunakan
i = 1, …, m
Misal untuk dua variabel
max atau min f(x, y)
s.t. gi(x, y) = ki, i = 1, …, m

Ingin diperoleh x, y, dan λi , i = 1, …, m sedemikian:

fx = λ1 g1x + … + λm gmx
fy = λ1 g1y + … + λm gmy
gi(x, y) = ki, i = 1, …, m
Ekuivalen dengan:

Max atau Min bagi:

L(x, y, λ1, …, λm)= f(x, y) – λ1(k1 – g1(x, y)) –
… – λm(km – gm(x, y))
f.o.c bagi permasalah tsb:
Lx = fx – λ1 g1x – … – λm gmx =0
Ly = fy – λ1 g1y – … – λm gmy =0
Lλi = ki – gi(x, y) =0 untuk i = 1, …, m
SOAL -SOAL

 1. Minimize f(x) = +

S.t.

2. Minimize +
s.t
3. Minimize
s.t.