PENYELESAIAN MASALAH
OPTIMISASI NONLINEAR BERKENDALA DENGAN METODE FUNGSI PENALTI INTERIOR
Skripsi
Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Sains
Program Studi Matematika
Disusun Oleh : Daniel Teguh Kurniawan
NIM : 013114027
PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA YOGYAKARTA
THE SOLUTION
OF NONLINEAR CONSTRAINED OPTIMIZATION PROBLEMS WITH INTERIOR PENALTY FUNCTION METHODS
THESIS
Presented as Partial Fulfillment of the Requirements to Obtain the Sarjana Sains Degree
in Mathematics
By :
Daniel Teguh Kurniawan Student Number : 013114027
MATHEMATICS STUDY PROGRAM MATHEMATICS DEPARTMENT FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY YOGYAKARTA
2008
HALAMAN PERSEMBAHAN
” PERIHAL WAKTU ”
Selama-lamanya bukan berarti kekal, namun kekal adalah selama-lamanya.
Jangan biarkan waktu terbuang dengan sia-sia, karena waktu terus berlalu.
Waktu sangatlah mahal dan singkat, sekali berlalu tidak akan kembali.
MOTTO
”
Tetapi carilah dahulu Kerajaan Allah dan kebenarannya, maka
semuanya itu akan ditambahkan kepadamu.” (
Matius 6:33)
Skripsi punika kawula aturaken :
Konjuk dhumateng Gusti Yesus ingkang tansah paring sih rahmat lan tentrem rahayu. Mekaten ugi Bapak lan Ibu ingkang tansah paring panggulowenthah dhumateng kula saha Mas Danang lan Mas Aris ingkang tansah paring daya panyengkuyung kagem mungkasi skripsi kula punika. Kula tansah tresna dhumateng sadaya ingkang sampun mbiyantu murih cekaping skripsi kula. Maturnuwun, Gusti berkahi.
ABSTRAK
Metode fungsi penalti interior merupakan metode yang digunakan untuk menyelesaikan masalah optimisasi nonlinear berkendala dengan mengubah masalah tersebut menjadi masalah optimisasi nonlinear tak berkendala. Dalam metode ini, pencarian penyelesaian optimalnya dimulai dari daerah layak
Bentuk umum dari fungsi penalti interior adalah
φ k= φ (x, μk) = f(x) + μk m
j=1
Σ B(x) dengan B(x) =
) ( 1
x j g
− , g (x) merupakan kendala dan parameter penalti . Dalam penulisan ini metode yang digunakan untuk meminimalkan
j μk >0
φ(x,μk) adalah Metode Newton. Penyelesaian optimal didapatkan jika nilai φ(x,μk) konvergen ke f(x) dengan μk ≥μk+1 danμk →0, k →∞.
ABSTRACT
Interior penalty function methods is a method which is used to solve the constrained nonlinear optimization problem by changing the problem become the unconstrained nonlinear optimization. In this method, the optimal solution searching is begun from the feasible region.
The general expression of the interior penalty function is
φ k= φ (x, μk) = f(x) + μk m
j=1
ΣB(x) where B(x) =
) ( 1
x j g
− , gj(x) is the constraints and penalty parameters μk >0. In this thesis, the method that is used for minimizing φ(x,μk) is a Newton methods. The optimal solution is obtained if φ(x,μk) converge to f(x) as
and
1 +
μ ≥
μk k μk →0, k →∞.
PERNYATAAN KEASLIAN KARYA
Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis ini
tidak memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan
dalam kutipan atau daftar pustaka, sebagaimana layaknya karya ilmiah.
Yogyakarta, 12 Juni 2008
Penulis,
Daniel Teguh Kurniawan
LEMBAR PERNYATAAN PERSETUJUAN
PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS
Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma:
Nama : Daniel Teguh Kurniawan
Nomor : 013114027
Demi pengembangan ilmu pengetahuan, saya memberikan kepada perpustakaan
Universitas Sanata Dharma karya ilmiah saya yamg berjudul:
“ Penyelesaian Masalah Optimasi Nonlinear Berkendala
Dengan Metode Fungsi Penalti Interior ”
Dengan demikian saya memberikan kepada perpustakaan Universitas Sanata
Dharma hak untuk menyimpan, mengalihkan dalam bentuk media lain,
mengelolanya dalam bentuk pangkalan data, mendistribusikannya secara terbatas
dan mempublikasikannya di internet atau media lain untuk kepentingan akademis
tanpa perlu meminta ijin dari saya maupun memberikan royalti kepada saya
selama tetap mencantumkan nama saya sebagai penulis.
Demikian pernyataan ini saya buat dengan sebenarnya.
Dibuat di Yogyakarta
Pada tanggal 12 Juni 2008
Yang menyatakan,
( Daniel Teguh Kurniawan )
KATA PENGANTAR
Segala puji dan syukur, penulis panjatkan kepada Tuhan Yesus Kristus,
sang Juru Selamat. Karena kasih dan karunia-Nya maka skripsi ini dapat
terselesaikan dengan baik.
Dalam penyusunan skripsi ini penulis meminta bantuan dari berbagai
pihak. Oleh karena itu, dengan segala kerendahan hati penulis ingin
menyampaikan ucapan terima kasih kepada :
1. Ibu Lusia Krismiyati Budiasih, S.Si., M.Si., selaku dosen pembimbing dan
Kaprodi Matematika FST-USD yang dengan rendah hati mau meluangkan
banyak waktu luang dan penuh kesabaran telah membimbing selama
penyusunan skripsi ini walaupun penulis sering terlambat bahkan kabur dari
jadwal bimbingan dengan waktu yang cukup lama.
2. Ir. Greg. Heliarko, S.J., S.S., B.S.T., M.Sc., M.A., selaku Dekan FST-USD.
3. Kakak-kakakku, Danang dan Aris, yang selalu mendorong untuk dapat
menyelesaikan skripsi tepat waktu tapi tidak bisa sesuai dengan yang
diharapkan. .
4. Teman-teman “ Penghuni Terakhir “ : Tedy “ Bear “, Rita “ poco-poco “,
Zefanya, Yuli, yang bersama-sama berjuang keluar dari “selingan hidup” ini
dan yang saling memberikan semangat, motivasi supaya lulus sama-sama.
5. Keluarga Besar Rakiman di Klaten atas dukungan doanya..
6. teman pemuda remaja GKJ Gondangwinangun Klaten dan
Teman-teman pemuda remaja GKJ Ketandan, terima kasih atas dukungan doanya.
7. Sahabat-sahabatku di Matematika Angkatan’01, Ariel, Ray, Andre, Indah,
Deta, Maria, Erika, Ajeng, Very, Yuli, Wiwit, Vrysca, April, Alam, Dani,
Tabitha, Upik. Tidak akan pernah ku lupakan semua waktu yang pernah kita
lewati.
8. Mas Nadi “ sebagai pembimbing skripsi di kos”, Ridwan ” Sahabat dan
saudaraku ” terima kasih atas tumpangan kostnya.
9. Teman-teman PMK “ OIKUMENE “ yang selalu berbagi suka duka dalam
hidup. Maxi dan Tata “ Maranatha Family “ atas dukungan doanya.
10.Teman-teman pemuda Karang Taruna “ Mekar Sari “ di desa tempat saya
tinggal, terima kasih atas dukungan doanya.
11.Teman-teman SMU 2 Klaten, Seka dan Okie terima kasih atas petuah bijaknya.
12.Semua pihak yang telah membantu yang tidak dapat disebutkan satu persatu.
Tak ada gading yang tak retak, penulis menyadari kekurangan dalam
skripsi ini, untuk itu saran dan kritik sangat diharapkan dalam peningkatan
kualitas skripsi ini.Akhirnya penulis berharap semoga skripsi ini dapat bermanfaat
bagi semua pihak.
Yogyakarta, 12 Juni 2008
Penulis,
Daniel Teguh Kurniawan
DAFTAR ISI
Halaman
HALAMAN JUDUL INDONESIA ... i
HALAMAN JUDUL INGGRIS... ... ii
HALAMAN PERSETUJUAN PEMBIMBING ... iii
HALAMAN PENGESAHAN ... iv
HALAMAN PERSEMBAHAN ... v
ABSTRAK ... vi
ABSTRACT ... vii
PERNYATAAN KEASLIAN KARYA ... viii
LEMBAR PERNYATAAN... ix
KATA PENGANTAR ... x
DAFTAR ISI ... xii
DAFTAR GAMBAR ... xiv
DAFTAR TABEL ... xv
BAB I PENDAHULUAN ... 1
A. Latar Belakang Masalah ... 1
B. Perumusan Masalah ... 3
C. Batasan Masalah ... 3
D. Tujuan Penulisan ... 3
E. Manfaat Penulisan ... 4
F. Metode Penelitian ... 4
G. Sistematika Penulisan ... 4
BAB II DASAR TEORI ... 6
A. Ruang Vektor dan Ruang Euclid ... 6
B. Barisan Konvergen dan Barisan Monoton ... 7
C. Fungsi Kontinu ... 9
D. Turunan parsial ... 10
E. Metode newton ... 10
F. Optimisasi ... 12
1. Masalah Optimasi... 12
2. Penyelesaian Masalah Optimasi... 14
BAB III METODE FUNGSI PENALTI INTERIOR... 15
A. Konsep Dasar Fungsi Penalti ... 15
B. Bentuk Umum Fungsi Penalti Interior ... 19
C. Algoritma Metode Fungsi Penalti Interior ... 20
D. Konvergensi Metode Fungsi Penalti Interior ... 54
BAB IV PENUTUP ... 57
A. Kesimpulan ... 57
B. Saran ... 58
DAFTAR PUSTAKA ... 59
LAMPIRAN ... 60
DAFTAR GAMBAR
Halaman
Gambar 2.1 Flowchart Algoritma Metode Newton... 11
Gambar 2.2 Peminimum f(x) sama dengan Pemaksimum -f(x)... 12
Gambar 3.1.1 Ilustrasi Metode Fungi Penalti Eksterior... 18
Gambar 3.1.2 Ilustrasi Metode Fungsi Penalti Interior... 18
Gambar 3.2 Flowchart Algoritma Metode Fungsi Penalti Interior... 21
DAFTAR TABEL
Halaman
Tabel 3.3.1 Output penyelesaian contoh 3.3.1... 40
Tabel 3.3.2 Output penyelesaian contoh 3.3.2... 48
Tabel 3.3.3 Output penyelesaian contoh 3.3.3... 53
BAB I PENDAHULUAN
A. Latar Belakang Masalah
Optimisasi adalah tindakan yang dilakukan untuk mendapatkan hasil
terbaik dari kondisi-kondisi yang diberikan ( sebagai suatu masalah ). Optimisasi
sering kita jumpai dalam kehidupan sehari-hari seperti pada bidang ekonomi
maupun manajemen. Sebagai contoh perusahaan pakaian yang ingin memberikan
harga yang terbaik supaya perusahaan itu mendapatkan keuntungan yang
terbanyak. Dalam berbagai macam situasi praktis tindakan tersebut dapat dibawa
ke dalam perumusan matematika sebagai suatu fungsi dari variabel-variabel
keputusan tertentu, dengan demikian optimisasi dapat didefinisikan sebagai proses
untuk menemukan nilai maksimum dan minimum dari suatu fungsi.
Bidang ilmu matematika yang secara umum mempelajari tentang
optimisasi adalah Riset Operasi. Riset Operasi sendiri terbagi menjadi 3 jenis
metode, yang secara khusus mempelajari tentang masalah optimisasi tersebut
yaitu : Pemrograman Matematika, Proses Stokhastik dan Metode Statistika.
Pemrograman Matematika digunakan untuk menemukan nilai fungsi dengan
beberapa variabel dari suatu himpunan yang sudah ditentukan dengan
kendala-kendalanya. Pemrograman Matematika terbagi lagi dalam beberapa bagian,
diantaranya adalah Program Linear dan Program Nonlinear.
Dalam Program Nonlinear masalah optimisasi dibedakan menjadi dua,
Masalah optimisasi dengan kendala merupakan masalah mengoptimalkan fungsi
sasaran dengan kendalanya, dimana fungsi sasaran dan
kendala-kendalanya tersebut adalah fungsi nonlinear. Ada beberapa metode yang
digunakan dalam menyelesaikan masalah optimisasi program nonlinear dengan
kendala yaitu ; Metode Primal, Metode Penalti, Metode Dual dan Metode
Pemotongan Kurva serta Metode Lagrange.
Pada skripsi ini akan dibahas pendekatan numeris untuk menyelesaikan
masalah optimisasi Program Nonlinear dengan kendala berupa persamaan dan
pertidaksamaan. Pendekatan yang digunakan adalah Metode Fungsi Penalti.
Metode Fungsi Penalti merupakan salah satu Metode Numerik yang digunakan
untuk mengubah masalah optimisasi dengan kendala menjadi masalah tanpa
kendala dengan menambahkan fungsi penalti pada fungsi sasaran. Istilah penalti
dipilih sedemikian hingga nilainya akan kecil untuk titik yang jauh dari batas
kendala, dimulai dari titik layak x , yaitu sembarang titik yang memenuhi semua kendala, titik subbarisan yang dibangun akan selalu terletak di daerah layak
karena batas kendala bertindak sebagai penghalang sepanjang proses minimasasi.
Inilah alasan mengapa Metode Fungsi Penalti juga dikenal sebagai metode
penghalang.
Pada dasarnya Metode Penalti terbagi menjadi 2 yaitu Metode Fungsi
Penalti Eksterior dan Metode Fungsi Penalti Interior. Akan tetapi, skripsi ini
hanya membahas Metode Fungsi Penalti Interior, dimana penalti ditambahkan
pada fungsi sasaran. Metode ini menghasilkan barisan titik-titik layak yang
B. Perumusan Masalah
Pokok masalah yang akan dibahas dalam skripsi ini sebagai berikut :
1. Apa itu Metode Fungsi Penalti Interior ?
2. Bagaimana menyelesaikan masalah optimisasi dengan kendala berupa
pertidaksamaan dengan Metode Fungsi Penalti Interior ?
C. Batasan Masalah
Pada penulisan skripsi ini hanya akan dibahas tentang Metode Fungsi
Penalti Interior untuk menyelesaikan masalah optimisasi Program Nonlinear
dengan kendala-kendala berupa pertidaksamaan dan teknik yang digunakan dalam
menyelesaikan masalah optimisasi tak berkendala menggunakan metode newton.
D. Tujuan Penulisan
Penulisan ini bertujuan untuk memberi wawasan dan pengetahuan kepada
pembaca dengan pengertian dasar tentang bagaimana cara menyelesaikan masalah
optimisasi Program Nonlinear dengan kendala dengan Metode Fungsi Penalti
E. Manfaat Penulisan
Manfaat dari penulisan skripsi ini yang sangat diharapkan adalah penulis
dapat mengetahui dan memahami bagaimana bentuk Metode Fungsi Penalti
Interior dan bagaimana cara menyelesaikan masalah optimisasi dengan kendala
dengan Metode Fungsi Penalti Interior dengan kendala-kendala berupa
pertidaksamaan.
F. Metode Penulisan
Metode penulisan yang digunakan dalam penulisan skripsi ini adalah
metode studi literatur atau studi pustaka, yaitu dengan membaca dan mempelajari
materi dari buku-buku acuan yang berkaitan dengan masalah ini. Jadi, dalam
skripsi ini tidak ada penemuan-penemuan yang baru.
G. Sistematika Penulisan
BAB I : PENDAHULUAN
Dalam bab I akan dibahas tentang latar belakang, perumusan
masalah, batasan masalah, tujuan penulisan, manfaat penulisan,
BAB II : DASAR TEORI
Dalam bab ini akan dibahas konsep ruang vektor dan ruang Euclid,
fungsi kontinu dan fungsi terdiferensial, Barisan Konvergen dan
Barisan Monoton, turunan parsial, syarat optimalitas untuk masalah
berkendala, Metode Newton serta teori optimisasi yang nantinya
akan digunakan untuk memahami metode Fungsi Penalti Interior.
BAB III : METODE FUNGSI PENALTI INTERIOR
Dalam bab III akan dibahas tentang konsep fungsi penalti,
interpretasi geometris fungsi penalti, pengertian metode Fungsi
Penalti Interior, bentuk umum Fungsi Penalti Interior dan algoritma
metode Fungsi Penalti Interior disertai beberapa contoh masalah
optimisasi nonlinear berkendala yang diselesaikan dengan metode
Fungsi Penalti Interior, implementasi dengan program matlab serta
konvergensi Metode Fungsi Penalti Interior.
BAB IV : PENUTUP
BAB III
METODE FUNGSI PENALTI INTERIOR
Pada bab ini akan dipaparkan tentang metode fungsi penalti interior
sebagai salah satu cara untuk menyelesaikan masalah program nonlinear, yakni
masalah optimisasi berkendala. Proses pencarian dalam menemukan penyelesaian
optimal dengan menggunakan metode fungsi penalti interior akan dimulai dari
daerah layak. Tetapi sebelum membahas lebih jauh tentang metode tersebut, akan
dibahas terlebih dahulu tentang konsep dasar metode tersebut.
A. Konsep Dasar Fungsi Penalti
Salah satu cara untuk mengubah masalah optimisasi berkendala menjadi
masalah optimisasi tak berkendala adalah dengan metode fungsi penalti. Dalam
kehidupan sehari-hari penalti yang berarti hukuman terjadi karena adanya
pelanggaran. Dengan demikian, dalam masalah optimisasi berkendala fungsi
penalti terjadi karena adanya pelanggaran, yaitu dengan menghilangkan kendala
pada masalah optimisasi tersebut.
Masalah optimisasi dasar dapat dinyatakan dalam bentuk
meminimalkan f (x)
dengan kendala gj(x) ≤ 0 , j = 1, 2, Κ , m ( 3.1 )
dengan fungsi f, gjmerupakan fungsi kontinu pada ℜn dan X himpunan tidak
kosong di ℜn. Perhatikan bahwa jika ada sembarang kendala yang diberikan
maka persamaan tersebut dipenuhi oleh x ∈ X . Masalah optimisasi berkendala
tersebut diubah ke dalam sebuah masalah minimisasi tak berkendala dengan
membangun sebuah fungsi yang berbentuk
φ k= φ (x, μk) = f(x) + μk
m j=1
ΣB(x) ( 3.2 )
dimana B(x) adalah suatu fungsi dari kendala gj dan μk adalah konstanta positif yang dinamakan parameter penalti. Suku kedua pada ruas kanan dari persamaan
( 3.2 ) disebut syarat penalti. Jika minimisasi tak berkendala dari fungsi φ diulang
untuk suatu barisan dari nilai-nilai parameter penalti μk untuk k = 1, 2, Κ maka
penyelesaiannya akan konvergen ke masalah optimisasi dasar yang dinyatakan
dalam persamaan ( 3.1 ). Jadi, penalti dapat diartikan sebagai fungsi yang
ditambahkan pada fungsi obyektif dengan parameter penalti. Metode penambahan
fungsi penalti ini disebut sebagai Metode Fungsi Penalti.
Rumus Metode Fungsi Penalti untuk masalah berkendala dengan kendala
berbentuk pertidaksamaan dapat dibagi menjadi dua kategori yaitu metode fungsi
penalti interior dan metode fungsi penalti eksterior. Rumus metode fungsi penalti
interior yang sering digunakan berbentuk
B(x) =
Σ
=
m
j 1 -
) ( 1
x
j
g
atau B(x) =
Σ
=
m
j 1
Rumus metode fungsi penalti eksterior yang sering digunakan berbentuk
B(x) = max[0, gj(x)] atau
B(x) =
{
max[
0,gj(x)]
}
2Di dalam metode fungsi penalti interior minimal tak berkendala dari φ k
berada dalam daerah layak dan konvergen ke penyelesaian persamaan ( 3.1 )
dengan μk berbeda dalam aturan tertentu. Dalam metode fungsi penalti eksterior
titik yang membuat nilai minimum dari masalah tak berkendala φ k berada dalam
daerah tak layak dan konvergen ke penyelesaian yang diinginkan dari luar dengan
k
μ berbeda dalam aturan khusus. Untuk masalah penalti interior dan eksterior,
konvergensi dari masalah optimisasi tak berkendala φ k diilustrasikan pada
Gambar 2a dan Gambar 2b untuk masalah mencari nilai x yang
meminimalkan f(x) = α x1
Gambar 3.1.1 Ilustrasi Metode Fungsi Penalti Eksterior
Untuk menggambarkan secara geometris metode fungsi penalti interior,
dibuat terlebih dahulu grafik fungsi f(x) = α x1 dan kendala g1(x) = β−x1 ≤ 0. selanjutnya masalah optimasi berkendala tersebut dibawa ke dalam masalah
optimisasi tak berkendala dengan membentuk sebuah fungsi
β
1
μ α
=
1 1
x x
φ k dengan B(x) =
-1 1
x
−
β dan μk sebagai parameter penalti.
Pencarian optimum dimulai dari daerah layak x1 yang berada di daerah layak dan
titik berikutnya yang dihasilkan selalu berada dalam daerah layak karena ada
batas-batasnya. Karena pemilihan μk yang besar maka mengakibatkan φk masih
jauh dari optimum. Dengan cara yang sama, jika minimasi tak berkendala dari
fungsi φkdiulang untuk suatu barisan nilai-nilai parameter penalti k = 1, 2, ....
dimana μk >μk+1 maka penyelesaian akan konvergen ke masalah optimisasi dasar
dan akan mendekati optimum.
B. Bentuk Umum Fungsi Penalti Interior
Dari Sub bab sebelumnya, dalam metode fungsi penalti interior sebuah
fungsi baru φ yang dibentuk dengan menambahkan syarat penalti ke fungsi
obyektif. Syarat penalti dipilih sedemikian hingga nilainya mengecil sehingga
nilai fungsi φ akan menuju optimum. Kejadian ini bisa dilihat pada Gambar
3.1.2. Minimisasi tak berkendala dari fungsi φ (x, μk) dimulai dari sembarang
titik layak
x
1 dan titik berikutnya yang dihasilkan selalu pada daerah layak. Halselama proses minimisasi. Inilah alasan mengapa metode fungsi penalti interior
juga disebut sebagai metode barrier.
Fungsi φ (x, μk) didefinisikan sebagai
φ(x,μk) = f(x) - μk
Σ
=
m
j 1 ( )
1
x
j
g ( 3.3 )
Terlihat bahwa nilai fungsi φ (x, μk) akan selalu lebih besar dari f(x) ketika gj(x) negatif untuk semua titik layak x. Jika semua kendala gj(x)
dipenuhi dengan tanda persamaan maka nilai φ menuju tak hingga dan syarat
penalti di ( 3.3 ) tidak terdefinisi jika x tak layak. Karena persamaan ini tidak
diperbolehkannya adanya kendala yang dilanggar maka titik awal layak harus
dicari dalam proses pencarian menuju ke titik optimum. Sebagian besar masalah
optimisasi nonlinear berkendala tidaklah sulit untuk menemukan sebuah titik yang
memenuhi semua kendala gj(x) ≤ 0 karena pemilihan titik x yang bebas.
C. Algoritma Metode Fungsi Penalti Interior
Berikut akan diberikan algoritma dari metode fungsi penalti interior untuk
menyelesaikan masalah optimisasi dasar :
meminimalkan f (x)
kendala gj(x) ≤ 0 , j = 1, 2, Κ , m
Algoritma metode fungsi penalti interior dapat diperlihatkan sebagai berikut :
Gambar 3.2 Flowchart Algoritma Metode Fungsi Penalti Interior Masukkan titik awalx1,ε > 0, μ1 > 0 , dan
skalar β >1
Mulai
Tentukan k= 1
x*
k penyelesaian layak, langkah
dihentikan
Bentuklah fungsi φ(x,μ) = f(x) + μkB(x) dengan
B(x) =
m
jΣ=1 ( )
1
x
j
g
−
Menentukan penyelesaian optimum dari masalah tidak berkendala x*k dari φ(x,μ)
Selesai
k
μ B(x*k) < ε
1 +
k
μ = βμk dengan k = k +1
YA
Secara umum langkah-langkah penyelesaian dengan metode fungsi penalti interior
adalah :
Langkah 1
Menentukan nilai awal x1, parameter penalti μ1 > 0 dan skalar β∈(0,1) dan diberikan ε > 0 dan k = 1.
Langkah 2
Membentuk fungsi φ(x, μk) = f(x) + μkB(x)
dengan B(x) =
Σ
=
m
j 1 -
) ( 1
x
j
g
Langkah 3
Mencari penyelesaian optimum x*k dari masalah optimisasi tidak
berkendala φ(x, μk) = f(x) + μkB(x).
Langkah 4
Jika μkB(xk) < ε langkah dihentikan, maka xk+1 merupakan
penyelesaian layak. Sebaliknya jika μkB(xk) > ε, maka tetapkan μk+1 = β μk, ganti k dengan k + 1 dan ulangi Langkah 2.
Ada hal-hal yang perlu dipertimbangkan dalam menerapkan metode ini :
1 Proses iterasi dimulai dengan titik awal x1 tetapi mungkin dalam beberapa kasus titik awal x1 ini tidak perlu dipersiapkan
Tidaklah sulit untuk menentukan titik awal x1 dalam masalah optimisasi
kasus khusus titik awal tidak diperlukan dalam menyelesaikan masalah optimisasi berkendala yang dapat dilihat dari fungsi kendalanya yang hanya
terdapat satu variabel. Jika fungsi kendalanya terdapat beberapa variabel
maka titik awal perlu dipersiapkan. Tetapi, ada beberapa keadaan sedemikian
hingga titik layak tidak bisa ditemukan dengan mudah. Dalam kasus seperti
ini, titik layak awal yang diminta dapat ditemukan dengan menggunakan
metode fungsi penalti interior itu sendiri. Dengan memperhatikan hal-hal
sebagai berikut :
Langkah i
Pilih sembarang titik x1 dan evaluasi gj(x) di titik x1. Karena titik x1
sembarang maka tidak semua titik memenuhi semua kendala pertidaksamaan.
Jika ada r dari m kendala yang dilanggar, maka kendala-kendala tersebut
dikelompokkan kembali sedemikian hingga r kendala yang dilanggar akan
menjadi satu kelompok yang terakhir yaitu
gj(x1)<0, j =1,2, Κ ,m-r
dan gj(x1)≥0, j = m-r+1, m-r +2, Κ ,m ( 3.4 )
Langkah ii
Identifikasi kendala yang memiliki kesalahan terbesar di titik x1 yaitu
dengan mencari bilangan bulat k sedemikian hingga
[
( )]
)
(x1 j x1
k maksg
Langkah iii
Selesaikan masalah optimasi yang dibuat dalam langkah 3 dengan
mengambil titik x1 sebagai titik awal. Rumuskan masalah optimisasi yang
baru seperti mencari x yang meminimalkan gk(x) dengan kendala
0 ) (x1 ≤
j
g j =1,2, Κ ,m-r ( 3.6 )
dan gj(x1)−gk(x1)≤0, j = m-r+1, m-r +2, Κ ,k-1, k+1, Κ , m
Langkah iv
Selesaikan masalah optimisasi pada langkah (iii) dengan mengambil titik
x1 sebagai titik awal menggunakan metode fungsi penalti interior. Metode
ini dapat diakhiri ketika nilai fungsi gk(x) ≤0 . Jadi penyelesaian akan
menghasilkan xk yang memenuhi sedikitnya satu kendala dari himpunan
kendala yang dilanggar oleh x1.
Langkah v
Jika semua kendala tidak dipenuhi oleh titik xk, ambil titik baru x1 =xk
dan kendala dikelompokkan kembali sedemikian hingga r pada kendala yang
terakhir tidak akan dipenuhi dan ulangi langkah ii.
Langkah ini dapat diulangi sampai semua kendala terpenuhi dan didapat
0 ) (x1 <
j
g , j =1,2, ... ,m-r
2 Dengan mencari parameter penalti awal ( μ1) yang sesuai
Jika minimisasi tak berkendala φ(x,μk) dikerjakan untuk suatu barisan
turun μk, dengan memilih sebuah nilai μ1 yang sangat kecil maka nilai
optimum dari fungsi φ akan konvergen ke penyelesaian masalah optimisasi
dasar. Namun dari segi penghitungan, untuk minimisasi fungsi φ akan lebih
mudah jika μk besar. Hal ini dapat dilihat pada Gambar 3.1.2. Terlihat
bahwa jika nilai μk menjadi semakin kecil, nilai fungsi φ berubah dengan
lebih cepat di sekitar minimum φk∗. Pencarian minimum dari suatu fungsi
lebih mudah bila grafiknya lebih mulus karena fungsinya kontinu dan dapat
diturunkan. Jika μk besar maka minimisasi tak berkendala φ akan menjadi
lebih mudah dan minimum dari φk, *
k
x , akan menjadi lebih jauh dari
minimum x∗.
3 Nilai perkalian faktor β yang dipilih haruslah tepat
Jika nilai awal μk sudah dipilih maka nilai-nilai μk berikutnya harus
dipilih sedemikian hingga μk+1 < μk. Nilai μk dipilih dengan μk+1=β μk
dimana β < 1. Nilai β dapat diambil sebagai 0,1 atau 0,2 atau 0,5 dan
4 Kriteria kekonvergenan yang sesuai harus dipilih untuk menentukan nilai optimum
Karena minimisasi tak berkendala dari φ(x,μk) harus dikerjakan
menurut suatu barisan turun nilai μk maka perlu menggunakan kriteria
konvergensi yang sesuai untuk mengidentifikasikan titik optimum. Proses
dapat dihentikan pada saat syarat berikut dipenuhi.
a. Selisih relatif antara nilai fungsi obyektif yang dihasilkan pada akhir dari
sembarang dua minimisasi tak berkendala yang berurutan berada dibawah
sebuah bilangan yang kecil ε1, yaitu
1 * * 1 -k * ) ( ) ( ) ( ε ≤ − k k f f f x x x .
b. Selisih antara titik optimum x*k - x*k−1 menjadi sangat kecil. Ini dapat dinyatakan dalam beberapa cara. Yang biasa digunakan adalah
2
)
(Δx i ≤ε .
Dengan Δx= *
k
x - * 1 −
k
x
(Δx)i adalah anggota ke - i dari vektor Δx
Max |(Δx)i| ≤ ε3
|Δx| =
[
2 2]
122 2
1 ( ) ( )
)
Nilai dari ε1 sampai ε4 harus dipilih bergantung pada karakteristik dari
masalah yang ditangani.
Berikut ini akan diberikan contoh masalah minimisasi yang tidak
menggunakan titik awal.
Contoh 3.1.1
Selesaikan masalah optimisasi berkendala berikut :
Minimalkan f ( x1 , x2 ) = 13 (x1 + 3 ) 3
+ x2
Kendala g1 ( x1 , x2 ) = - x1 + 1 ≤ 0
g2 ( x1 , x2 ) = - x2 ≤ 0
Penyelesaiannya:
Dalam kasus di atas titik awal tidak diperlukan karena fungsi kendalanya
hanya terdapat satu variabel. Untuk mencari penyelesaian optimumnya maka
dibutuhkan parameter penalti awal ( μ1) yang sesuai.
Langkah 1
Misalkan ε = 0,00001
β = 0,1 μ1= 1000
Langkah 2
Membentuk fungsi φ(x,μ) = f(x) + μkB(x)
B(x) dipilih dengan B(x) =
Σ
= 2
1
j ( )
1 x j g − = ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − + − 2 1 1 1 x x Sehingga diperoleh
φ(x,μ) = f(x) + μkB(x)
= 13 (x 1 + 3 )
3
+ x2- μk ⎥
⎦ ⎤ ⎢ ⎣ ⎡ − + − 2 1 1 1 x x Langkah 3
Untuk mencari penyelesaian optimum dari masalah optimisasi tak berkendala,
dibutuhkan penurunan parsial φ terhadap x1 dan x2 :
Turunan parsial φ terhadap x1 diperoleh :
1 x
∂ ∂φ
= (x1 + 1 )2 -
2 1) 1 ( x k − μ = 0
atau (x1 + 1 )2 =
2 1) 1 ( x k − μ
(x1 + 1 )2 (1 - x1)2 = μk
( x12+ 2x1 +1 ) ( 1 - 2x1 + x12) = μk
x14- 2 x 1
2 + 1 =
k
μ
x12- 1 = μk 2
1
x1 = (μk 2
1
+1 ) 2
1
(3.1.1)
Turunan parsialφ terhadap x2 diperoleh :
2 x
∂ ∂φ
= 1 - 2 2 x k μ = 0 x2 2= μk
atau x2= μk 12 (3.1.2)
Dari persamaan (3.1.1) dan (3.1.2) diperoleh penyelesaian optimum tak
berkendala dan
x*1(μk) = (μk 2
1
+1 ) 2
1
x*
2(μk) = μk 2
1
Dalam masalah ini tidak diperlukan titik awal karena setelah melakukan
penghitungan secara kalkulus, titik x*k bergantung pada parameter penalti (μ1).
Apabila penyelesaian optimum tersebut disubstitusikan ke fungsi φ maka
didapatkan :
) ( min μk
φ = 13 (x
1 + 3 ) 3
+ x2- μk ⎥
⎦ ⎤ ⎢ ⎣ ⎡ − + − 2 1 1 1 x x
= 13[(μk
2 1
+1 )12+ 1]3+
k μ 12 -
k μ { [ 1 ) 1 ( 1 2 1 2 1 + +
− μk ] – [ 12
1
k
= 13[(
k
μ 12+1 )12+ 1]3+
k μ 12 + [
1 ) 1
( 12 + 12 +
− − k k μ μ ] + 2 1 k k μ μ
= 13[(
k
μ 12+1 )12+ 1]3+
k μ 12 +
) 1 )( ) 1 ( 1 ( ) 1 ( 2 1 2 1 k k k k μ μ μ μ + −
+ μk 12
= 13[(
k
μ 12+1 )12+ 1]3+ 2
k μ 12 -
2 1 2 1 ) 1 ( 1 1 1 + − k k k μ μ μ
= 13[(
k
μ 12+1 )12+ 1]3+ 2
k μ 12 -
2 1 2 1
2 ( 1))
1 ( 1 1 + − k k k μ μ μ ) ( min μk
φ = 13[(
k
μ 12+1 )12+ 1]3+ 2
k μ 12 -
2 1 2 3 2 1 1 1 1 ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ + − k k
k μ μ
μ
Untuk mendapatkan penyelesaian dari masalah optimasi dasar dicari melalui :
f min = 0
lim
→ k
μ φmin(μk)
=
0
lim
→ k μ { 3
1 [(
k
μ 12+1 )12+ 1]3+ 2
k μ 12 -
2 1 2 3 2 1 1 1 1 ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ + − k k
k μ μ
μ } = 3 8 = 2,66667 Iterasi 1
Untuk k = 1
x*1(μ1) = (μ1 2
1
+1 ) 2
= ( 100012 + 1 ) 12
= 5,71164
dan
x*2(μ1) = μk 12
= 100012
= 31,62278
Sehingga diperoleh :
) ( 1
min μ
φ = 13[(μ1
2 1
+1 )12+ 1]3+ 2
1
μ 12 -
2 1 2 3 2 1 1 1 1 1 1 1 ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ + − μ μ μ
= 13[(1000 12+1 )12+ 1]3+ 2(1000)12 -
2 1 2 3 2 1000 1 1000 1 1000 1 1 ⎥⎦ ⎤ ⎢⎣ ⎡ + −
= 100,777761 + 63,245554 + 210,748156
= 374,77147
dan f(μ1) = 13
(
)
3 1+1 x + x2
= 13 ( 5,71164 + 1 ) 3 + 31,62278
= 100,777761 + 31,62278
= 132,400541
1
μ B(x*1) = μk ⎥
= μ1 12 -
2 1
2
3 2
1 1 1
1 1 1
1
⎟ ⎟ ⎠ ⎞ ⎜
⎜ ⎝ ⎛
+ −
μ μ μ
= 31,62278 + 210,74816
= 242,37094 > ε
Penyelesaian belum optimal karena μ1B(x*1) > ε maka langkah diteruskan.
Langkah 4
Tetapkan μ2=β μ1
= (0,1)1000 = 100
Iterasi 2
Untuk k = 2
Langkah 3
Berdasarkan iterasi sebelumnya, nilai φ minimum dicari jika
x*1(μ2) = (μ2 12+ 1 )12
= ( 10012 + 1 )12
= 3,31662
dan x*2(μ2) = μ2 12
= 10012 = 10
Sehingga diperoleh :
) ( 2
min μ
φ = {13[(
2
2
μ 12 -
2 1 2 3 2 2 2 2 1 1 1 1 ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ + − μ μ μ }
= 13[(100 12+1 )12+ 1]3+ 2(100)12 -
2 1 2 3 2 100 1 100 1 100 1 1 ⎥⎦ ⎤ ⎢⎣ ⎡ + −
= 89,9776
dan f(μ2) = 13
(
)
31+1 x + x2
= 13[(100 12+1 )12+ 1]3+ 10012
= 36, 8109
2
μ B(x*2) = 10 + 43,16671
= 53,16671 > ε
Penyelesaian belum optimal karena μ2B(x*2) > ε maka langkah diteruskan.
Langkah 4
Tetapkan μ3= β.μ2
= (0,1).100
= 10
Iterasi 3
Untuk k = 3
x*
1(μ3) = (μ3
2 1
+ 1 )12
= ( 1012+1 ) 12
= 2,04017
dan x*2(μ3) = μ3 12
= 1012
= 3,16228
Sehingga diperoleh :
)
( 3
min μ
φ = {13[(
3
μ 12+1 )12+ 1]3+ 2
3
μ 12 -
2 1 2 3 2 3 3 3 1 1 1 1 ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ + − μ μ μ }
= 13[ 2,04017 + 1 ]3+ 2 ( 3,16228 ) -
2 1 2 3 2 10 1 10 1 10 1 1 ⎥⎦ ⎤ ⎢⎣ ⎡ + −
= 25,3048
dan f(μ3) = 13
(
)
31+1 x + x2
= 9, 36636 + 3,16228
= 12,5286
3
μ B(x*3) = 3,16228 + 9, 61381
= 12,77609 > ε
Langkah 4
Tetapkan μ4= β.μ3
= (0,1).10 = 1
Iterasi 4
Untuk k = 4
Berdasarkan iterasi sebelumnya, nilai φ minimum dicari jika
x*1(μ4) = (μ4 12+ 1 )12
= ( 2 )12
= 1,41421
dan x*2(μ4) = μ4 12 = 1
Sehingga diperoleh :
) ( 4
min μ
φ = {13[(
4
μ 12+1 )12+ 1]3+ 2
4
μ 12 -
2 1 2 3 2 4 4 4 1 1 1 1 ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ + − μ μ μ }
= {13[(1 2
1
+1 )12+ 1]3+ 2(1)12 -
2 1 2 3 2 1 1 1 1 1 1 1 ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ + − }
= 13(1,41421 + 1) 3+ 2 + 2,41421
= 4,69036+ 2 + 2,41421 = 9,10457
dan f(μ4) = 13
(
)
3 1+1 x + x24
μ B(x*4) = 1 + 2,41421
= 3,41421 > ε
Penyelesaian belum optimal karena μ4B(x*4) > ε maka langkah diteruskan.
Langkah 4
Tetapkan μ5 = β.μ4
= (0,1).1 = 0,1
Iterasi 5
Untuk k = 5
Berdasarkan iterasi sebelumnya, nilai φ minimum dicari jika
x*1(μ5) = (μ5 12+ 1 )12
= (0,112+ 1 )12
= 1,14727
dan x*2(μ5) = μ 12
= 0,112
= 0,31623
Sehingga diperoleh :
)
( 5
min μ
φ = {13[(
5
μ 12+1 )12+ 1]3+ 2
5
μ 12 -
2 1
2
3 2
5 5
5
1 1 1
1
⎟ ⎟ ⎠ ⎞ ⎜
⎜ ⎝ ⎛
+ −
μ μ μ
= {13[(0,112+1 )12+ 1]3+ 2(0,1)12 -
2 1
2
3 2
1 , 0
1 1
, 0
1 1 , 0
1
1
⎟⎟ ⎠ ⎞ ⎜⎜
⎝ ⎛
+ −
}
= 3,300188 + 0,632456 + 0,06899
= 4,00163
dan f(μ5) = 13
(
)
3 1+1 x + x2= 3,300188 + 0,31623
= 3,61642
5
μ B(x*5) = 0,31623 + 0,06899
= 0,38522 > ε
Penyelesaian belum optimal karena μ5B(x*5) > ε maka langkah diteruskan.
Langkah 4
Tetapkanμ6= β.μ5
= (0,1).(0,1) = 0,01
Iterasi 6
Untuk k = 6
Berdasarkan iterasi sebelumnya, nilai φ minimum dicari jika
x*1(μ6) = (μ6 12+ 1 )12
dan x*2(μ6) = μ6 12 = 0,1 Sehingga diperoleh :
)
( 6
min μ
φ = {13[(
6
μ 12+1 )12+ 1]3+ 2
6
μ 12 -
2 1 2 3 2 6 6 6 1 1 1 1 ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ + − μ μ μ }
= {13[(0,01 2
1
+1 )12+ 1]3+ 2(0,01)12 -
2 1 2 3 2 01 , 0 1 01 , 0 1 01 , 0 1 1 ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ + − }
= 2,86671 + 0,2 + 0,20488
= 3,27159
dan f(μ6) = 13
(
)
3 1+1 x + x2= 2,86671 + 0,1
= 2,96671
6
μ B(x*
6) = 0,1 + 0,20488
= 0,30488 > ε
Penyelesaian belum optimal karena μ6B(x*6) > ε maka langkah diteruskan. Analog dengan langkah-langkah sebelumnya, titik optimal yang merupakan
penyelesaian optimal didapatkan pada iterasi yang ke-15, yakni
Langkah 4
15
μ = β.μ14
Iterasi 15
Untuk k = 15
Berdasarkan iterasi sebelumnya, nilai φ minimum dicari jika
x*1(μ15) = (μ15 12+ 1 )12
= 1,00000
dan x*2(μ15) = μ15 12
= 0,00000
Sehingga diperoleh :
) ( 15 min μ
φ = {13[(μ15
2 1
+1 )12+ 1]3+ 2
15
μ 12 -
2 1 2 3 2 15 15 15 1 1 1 1 ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ + − μ μ μ }
= 2,66669
dan
f(μ15) = 13
(
)
3 1+1 x + x2= 2,66668
15
μ B(x*15) = 0,000009
Karena μ15B(x15* ) = 0,000009 < ε maka langkah dihentikan.
Maka diperoleh penyelesaian dari masalah di atas dengan x*
1 = 1, x * 2= 0.
Pada iterasi ke-15 penyelesaian sudah optimum karena sudah memenuhi
Berikut akan diberikan penyelesaian dengan menggunakan program
MATLAB. ( lampiran 1 )
Tabel 3.1.1 Output penyelesaian Contoh 3.1.1 dengan Matlab
Taksiran awal miu : 1000.00000
==============================================================
Iterasi miu x1 x2 min(miu) f(miu) miu_Bx
==============================================================
1 1000.00000 5.71164 31.62278 376.26364 132.40032 243.86332
2 100.00000 3.31662 10.00000 89.97716 36.81092 53.16625
3 10.00000 2.04017 3.16228 25.30476 12.52863 12.77613
4 1.00000 1.41421 1.00000 9.10457 5.69036 3.41421
5 0.10000 1.14727 0.31623 4.61167 3.61641 0.99525
6 0.01000 1.04881 0.10000 3.27159 2.96671 0.30488
7 0.00100 1.01569 0.03162 2.85690 2.76154 0.09536
8 0.00010 1.00499 0.01000 2.72672 2.69667 0.03005
9 0.00001 1.00158 0.00316 2.68565 2.67615 0.00949
10 0.00000 1.00050 0.00100 2.67267 2.66967 0.00300
11 0.00000 1.00016 0.00032 2.66856 2.66762 0.00095
12 0.00000 1.00005 0.00010 2.66727 2.66697 0.00030
13 0.00000 1.00002 0.00003 2.66686 2.66676 0.00009
14 0.00000 1.00000 0.00001 2.66673 2.66670 0.00003
15 0.00000 1.00000 0.00000 2.66669 2.66668 0.00001
==============================================================
Pada saat iterasi ke -15,miu_Bx<0.00001.
Jadi nilai miu yang meminimalkan min(miu) adalah :
Berikut akan diberikan contoh masalah optimisasi nonlinear berkendala
yang menggunakan titik awal.
Contoh 3.1.2
Selesaikan masalah kendala berikut :
Minimalkan f ( x1 , x2 ) =
(
x1−5) (
2 + x2 −3)
2Kendala g1 ( x1 , x2 ) = - x1 + x2- 3 ≤ 0
g2 ( x1 , x2 ) = - x1 + 2x2- 4 ≤ 0
Penyelesaiannya:
Langkah 1
Misalkan ε = 0,00001
⎭ ⎬ ⎫ ⎩ ⎨ ⎧ = 0 0 0 x
β = 0,1 μ1= 1
Ditentukan k = 1
Langkah 2
Membentuk fungsi φ(x,μ) = f(x) + μkB(x)
B(x) dipilih dengan B(x) =
Σ
= 2
1
i ( )
1 x i g − = - ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − + − + − +
− 2 4
1 3 1 2 1 2
1 x x x
x
Sehingga diperoleh
=
(
x1−5) (
2 + x2 −3)
2- μk ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − + − + − +− 2 4
1 3 1 2 1 2
1 x x x
x
Langkah 3
Untuk mencari penyelesaian optimum dari masalah tak berkendala
dibutuhkan suatu titik awal sehingga diperlukan metode yang sesuai. Untuk
memudahkan penghitungan dalam mencari penyelesaian optimum akan digunakan
program Matlab.
Iterasi 1
Untuk k = 1
x1(1)= 0 dan x( )21 = 0
Dari perhitungan dengan menggunakan Program Matlab diperoleh
) ( 1
min μ
φ = f(x) + μ1B(x)
=
(
x1 −5) (
2 + x2 −3)
2- ( 1 ) ⎥⎦ ⎤ ⎢ ⎣ ⎡ − + − + − +
− 2 4
1 3 1 2 1 2
1 x x x
x
= 34,583333
f(μ1) =
(
x1 −5) (
2 + x2 −3)
2= 34
1
μ B(x*1) = - 1 ⎥
⎦ ⎤ ⎢ ⎣ ⎡ − + − + − +
− 2 4
1 3 1 2 1 2
1 x x x
x
= 0,583333 > ε
Langkah 4
Tetapkan μ2 =β μ1
= (0,1).1 = 0,1
Iterasi 2
Untuk k = 2
Langkah 3
Dari perhitungan dengan menggunakan Program Matlab diperoleh
( )2 1
x = 5,180705
( )2 2
x = 2,942802
) ( 2
min μ
φ = f(x) + μ2B(x)
=
(
x1 −5) (
2 + x2 −3)
2- (0,1) ⎥⎦ ⎤ ⎢ ⎣ ⎡ − + − + − +
− 2 4
1 3 1 2 1 2
1 x x x
x
= 0,085366
f(μ2) =
(
x1 −5) (
2 + x2 −3)
2= 0,035926
2
μ B(x*
2) = - (0,1) ⎥
⎦ ⎤ ⎢ ⎣ ⎡ − + − + − +
− 2 4
1 3 1 2 1 2
1 x x x
x
= 0,049440 > ε
Langkah 4
Tetapkan μ3 = β μ2
= (0,1) (0,1) = 0,01
Iterasi 3
Untuk k = 3
Langkah 3
Dari perhitungan dengan menggunakan Program Matlab diperoleh
( )3 1
x = 5,007010
( )3 2
x = 2,987347
)
( 3
min μ
φ = f(x) + μ3B(x)
=
(
x1 −5) (
2 + x2 −3)
2- (0,01) ⎥⎦ ⎤ ⎢ ⎣ ⎡ − + − + − +
− 2 4
1 3 1 2 1 2
1 x x x
x
= 0,005499
f(μ3) =
(
x1 −5) (
2 + x2 −3)
2= 0,000209
3
μ B(x*3) = - (0,01) ⎥
⎦ ⎤ ⎢ ⎣ ⎡ − + − + − +
− 2 4
1 3 1 2 1 2
1 x x x
x
= 0,005290 > ε
Langkah 4
Tetapkan μ4 = β μ3
= 0,1 (0,01) = 0,001
Iterasi 4
Untuk k = 4
Langkah 3
Dari perhitungan dengan menggunakan Program Matlab diperoleh
( )4 1
x = 5,000751
( )4 2
x = 2,998692
) ( 4
min μ
φ = f(x) + μ4B(x)
=
(
x1 −5) (
2 + x2 −3)
2- (0,001) ⎥⎦ ⎤ ⎢ ⎣ ⎡ − + − + − +
− 2 4
1 3 1 2 1 2
1 x x x
x
= 0,000535
f(μ4) =
(
x1 −5) (
2 + x2 −3)
2= 0,000002
4
μ B(x*4) = - (0,001) ⎥
⎦ ⎤ ⎢ ⎣ ⎡ − + − + − +
− 2 4
1 3 1 2 1 2
1 x x x
x
= 0,000533
Langkah 4
Tetapkan μ5 = β μ4
= 0,1 (0,001) = 0,0001
Iterasi 5
Untuk k = 5
Langkah 3
Dari perhitungan dengan menggunakan Program Matlab diperoleh
( )5 1
x = 5,000076
( )5 2
x = 2,999869
)
( 5
min μ
φ = f(x) + μ5B(x)
=
(
x1 −5) (
2 + x2 −3)
2- (0,0001) ⎥⎦ ⎤ ⎢ ⎣ ⎡ − + − + − +
− 2 4
1 3 1 2 1 2
1 x x x
x
= 0,000053
f(μ5) =
(
x1 −5) (
2 + x2 −3)
2= 0,000000
5
μ B(x*5) = - (0,0001) ⎥
⎦ ⎤ ⎢ ⎣ ⎡ − + − + − +
− 2 4
1 3 1 2 1 2
1 x x x
x
= - (0,0001) (-0,53333)
= 0,000053
Langkah 4
Tetapkan μ6 = β μ5
= 0,1 (0,0001) = 0,00001
Iterasi 6
Untuk k = 6
Langkah 3
Dari perhitungan dengan menggunakan Program Matlab diperoleh
( )6 1
x = 5,000008
( )6 2
x = 2,999987
)
( 6
min μ
φ = f(x) + μ6B(x)
=
(
x1 −5) (
2 + x2 −3)
2- (0,00001) ⎥⎦ ⎤ ⎢ ⎣ ⎡ − + − + − +
− 2 4
1 3 1 2 1 2
1 x x x
x
= 0,000005
f(μ6) =
(
x1 −5) (
2 + x2 −3)
2= 0,000000
6
μ B(x*6) = - (0,00001) ⎥
⎦ ⎤ ⎢ ⎣ ⎡ − + − + − +
− 2 4
1 3 1 2 1 2
1 x x x
x
= 0,000005 < ε
Penyelesaian sudah optimal karena μ6B(x*
Dari permasalahan di atas maka diperoleh penyelesaian dengan x*1= 5,00000 dan *
2
x = 2,99999. Pada iterasi ke-6 penyelesaian sudah optimum karena sudah
memenuhi syarat bahwa μkB(x*k) < ε.
Berikut akan diberikan penyelesaian dengan menggunakan program
Matlab pada contoh 3.1.2 di atas.
Tabel 3.1.2 Output penyelesaian contoh 3.1.2 dengan Matlab
Masukkan data yang dibutuhkan
x1 = [0 0]
Taksiran awal mu : 1
Toleransi error = 0.00001
Max.iterasi newton = 10
===============================================================
Iterasi Nilai mu x1 x2 f z mu_Bx
===============================================================
0 1.000000 0.000000 0.000000 34.000000 34.583333 0.583333
1 0.100000 5.180705 2.942802 0.035926 0.085366 0.049440
2 0.010000 5.007010 2.987347 0.000209 0.005499 0.005290
3 0.001000 5.000751 2.998692 0.000002 0.000535 0.000533
4 0.000100 5.000076 2.999869 0.000000 0.000053 0.000053
Metode fungsi penalti interior dapat juga diterapkan ke dalam masalah
optimasi berkendala linear. Berikut contohnya :
Contoh 3.1.3
Selesaikan masalah optimisasi berkendala berikut :
Minimalkan f ( x1 , x2 ) = x1 + 2x2+1
Kendala g1 ( x1 , x2 ) = - x1 + 1 ≤ 0
g2 ( x1 , x2 ) = - x2 ≤ 0
Penyelesaiannya:
Langkah 1
Misalkan ε = 0,00001
β = 0,1 μ1= 1000
Ditentukan k = 1
Langkah 2
Membentuk fungsi φ(x,μ) = f(x) + μkB(x)
B(x) dipilih dengan B(x) =
Σ
= 2
1
j ( )
1
x
j
g
−
= ⎥
⎦ ⎤ ⎢
⎣ ⎡
− + − 2
1 1 1
Sehingga diperoleh
φ(x,μ) = f(x) + μkB(x)
= x1 +2 x2+1 - μk ⎥
⎦ ⎤ ⎢ ⎣ ⎡ − + − 2 1 1 1 x x Langkah 3
Untuk mencari penyelesaian optimum dari masalah optimisasi tak berkendala,
dibutuhkan penurunan parsial φ terhadap x1 dan x2 :
Turunan parsial φ terhadap x1 diperoleh :
1 x
∂ ∂φ
= 1 -
2 1) 1 ( x k − μ = 0
atau (x1 + 1 )2 =
k
μ
x1 = μk 2
1
-1 (3.3.1)
Turunan parsialφ terhadap x2 diperoleh :
2 x
∂ ∂φ
= 2 - 2 2 x k μ = 0
x22=
2
μk
atau x2= )12
2
μ
( k (3.3.2)
Dari persamaan (3.3.1) dan (3.3.2) diperoleh penyelesaian optimum tak
berkendala dan
x*1(μk) = μk 2
1
-1 dan x*2(μk) = )12
2
μ
Iterasi 1
Untuk k = 1
x*1(μk) = μk 2
1
-1
= 30,62278
x*2(μk) = )12
2
μ
( k
= 22,36068
Sehingga diperoleh :
) ( min μk
φ = x1 +2x2+1 - μk ⎥
⎦ ⎤ ⎢ ⎣ ⎡ − + − 2 1 1 1 x x
= (μk 2
1
+1 ) 2
1
+2 )12
2
μ
( k +1 -μk[
2 1 2 1 ) ( 1 -2 + ) μ ( -1 2 μ k ] = 1,88103
dan f(μ1) =
(
x1+2x2)
+ 1= {μk 2
1
-1}+2 )12
2
μ
( k +1
= 10563,28621
1
μ B(x*1) = - μk ⎥
⎦ ⎤ ⎢ ⎣ ⎡ − + − 2 1 1 1 x x = 74,46310
Analog dengan langkah-langkah sebelumnya, titik optimal yang merupakan
penyelesaian optimal didapatkan pada iterasi yang ke-15, yakni
Langkah 4
15
μ = β.μ14
= (0,1).(10−10) = 10−11
Iterasi 15
Untuk k = 15
Berdasarkan iterasi sebelumnya, nilai φ minimum dicari jika
x*1(μ15) = μ15 2
1
-1
= -1,00000
dan x*2(μ15) = )12
2
μ
( 15
= 0,00000
Sehingga diperoleh :
) ( 15 min μ
φ = x1 +2x2+1 - μ15 ⎥
⎦ ⎤ ⎢
⎣ ⎡
− + − 2
1 1 1
x x
= 0,00000
dan f(μ15) =
(
x1+2x2)
+ 1= 0,00000
15
μ B(x*15) = 0,00000
Maka diperoleh penyelesaian dari masalah di atas dengan x*1 = -1, x*2= 0.
Pada iterasi ke-15 penyelesaian sudah optimum karena sudah memenuhi
syaratμ15B(x*
15) < ε.
Berikut akan diberikan penyelesaian dengan menggunakan program MATLAB.
Tabel 3.1.3 Output penyelesaian contoh 3.1.3 dengan Matlab
Taksiran awal miu : 1000.00000
==============================================================
Iterasi miu x1 x2 min(miu) f(miu) miu_Bx
==============================================================
1 1000.00000 30.62278 22.36068 1.88103 10563.28621 74.46310
2 100.00000 9.00000 7.07107 1.66667 340.40440 22.47547
3 10.00000 2.16228 2.23607 1.22515 12.77699 6.40927
4 1.00000 0.00000 0.70711 0.66667 1.04044 1.74755
5 0.10000 -0.68377 0.22361 0.27305 0.23415 0.49039
6 0.01000 -0.90000 0.07071 0.09524 0.07104 0.14618
7 0.00100 -0.96838 0.02236 0.03113 0.02237 0.04521
8 0.00010 -0.99000 0.00707 0.00995 0.00707 0.01419
9 0.00001 -0.99684 0.00224 0.00316 0.00224 0.00448
10 0.00000 -0.99900 0.00071 0.00100 0.00071 0.00141
11 0.00000 -0.99968 0.00022 0.00032 0.00022 0.00045
12 0.00000 -0.99990 0.00007 0.00010 0.00007 0.00014
13 0.00000 -0.99997 0.00002 0.00003 0.00002 0.00004
14 0.00000 -0.99999 0.00001 0.00001 0.00001 0.00001
15 0.00000 -1.00000 0.00000 0.00000 0.00000 0.00000
=============================================================
Pada saat iterasi ke -15,miu_Bx<0.00001.
D. Konvergensi Metode Fungsi Penalti Interior
Teorema 3.2 Teorema Konvergensi Metode Fungsi Penalti Interior
Jika fungsi φ( x,μk) = f(x) - μk
Σ
=
m
j 1 ( )
1
x
j
g (3.2.1)
suatu barisan turun terhadapμk, maka penyelesaian dari masalah minimisasi tak
berkendala akan konvergen ke penyelesaian optimal dari masalah berkendala
Minimumkan f(x)
Kendala gj( x) ≤ 0
dengan gj( x) ≤ 0 , j =1,2,Κ , m untuk μk →0
Bukti :
Jika x* adalah penyelesaian optimum dari masalah berkendala maka akan
dibuktikan bahwa 0
lim
→ k
μ [min φ( x,μk) ] = φ( x
*
k,μk) = f (x
*
)
karena f(x) kontinu dan f (x*) ≤ f(x) untuk setiap titik layak x maka dapat dipilih titik layak x~ sedemikian hingga f (x~ ) < f (x*) +
2
ε
,∀ε>0 (3.2.2)
Perhatikan untuk titik layak x~ didapatkan
φ(x~ ,μk) = f(~ ) - x μk
Σ
=m
j 1 (~)
1
x
j
g
= f(~ ) + x μk
Σ
=m
j 1 (~)
1
x
j
g
−
f(x~ ) + μk
Σ
=m
j 1 (~)
1
x
j
g
− ≤
f (x*) + 2
ε
Pilih k yang sesuai, misalnya K sedemikian hingga
K
μ
Σ
=
m
j 1 (~)
1 x j g − ≤ 2 ε
Jadi μ ≤K
∑
=− m
j 1 gj(~)
1 2
x
ε
(3.2.3)
Dari (3.2.1) didapat f (x*) ≤ min φ( x,μk) = φ( x*k,μk) (3.2.4)
dimana x*k adalah penyelesaian minimum masalah tak berkendala φ( x,μk)
Selanjutnya φ( x*k,μk) ≤ φ( x*K,μk) (3.2.5)
Karena x*k minimum dari φ( x,μk) dan ada x lain dari x*ksebagai petunjuk suatu nilai dari φ ≥ φ( x*k,μk).
Pilih μk < μK dan didapatkan