Slide Constraint Problem 0

Outline Prob LinEqCon LinIneq Masalah Non-Linear Umum SeqQuad
Pengantar Optimisasi: Constrained Problem

Rieske Hadianti
KK Matematika Industri dan Keuangan
Institut Teknologi Bandung
Rieske Hadianti KK Matematika Industri dan KeuanganInstitut Teknologi Bandung
Outline
1 Masalah
2 Optimization Problems with Linear Equality Constraints
3 Problems with Linear Inequality Constraints
4 Masalah Non-Linear Umum
5 Sequential Quadratic Programming
Masalah dengan kendala
Misalkan f C
2
. (himpunan fungsi dari R
n
ke R yang
turunan-turunan parsialnya ada dan kontinyu) Kita mempunyai
masalah optimisasi
minimumkan f (x),
terhadap g
i
(x) = 0, i E
h
j
(x) 0, j I.
(1)
Contoh
minimumkan x
1
,
terhadap x
2
1
+ x
2
2
4
x
2
1
1.
Di contoh ini, E = , dan h
1
(x) = 4 x
2
1
x
2
2
, h
2
(x) = x
2
1
1.
Masalah:
minimumkan f (x),
terhadap Ax = b.
(2)
Contoh
minimumkan f (x) = x
2
1
2x
1
+ x
2
2
x
2
3
+ 4x
3
,
terhadap x
1
x
2
+ x
3
= 2.
(3)
Masalah (3) dapat dituliskan menjadi masalah tanpa kendala
minimumkan 2x
2
2
+ 3x
2
3
4x
2
x
3
+ 2x
2
,
dan dengan menyelesaikan second order sucient conditions
didapat solusi optimalnya
x
1
=
5
2
, x
2
=
3
2
, x
3
= 1,
dengan nilai optimal
7
2
.
Bagaimana menyelesaikan masalah dengan banyaknya kendala
lebih dari 1?
Misalkan A berdimensi m n. Misalkan x adalah suatu titik
feasible. Maka titik feasible lainnya dapat dituliskan menjadi
x = x + p,
dengan p suatu feasible direction.
Ax = A(x + p) = Ax + Ap = b + Ap.
Karena x adalah titik feasible, maka haruslah Ap = 0 atau
p N(A) = {v|Av = 0}.
Jika Z adalah null space dari A, maka Z memiliki matriks basis
yang berdimensi n r , dengan r n m. Misalkan matriks basis
iniadalah Z. Maka
N(A) = {Zv|v R
r
}.
Masalah optimisasi (2) dapat dituliskan menjadi masalah
minimumkan
v R
r
(v) = f(x + Zv). (4)
(v) = Z
T
f(x + Zv) = Z
T
f(x)
dan
2
(v) = Z
T
2
f(x + Zv)Z = Z
T
2
f(x)Z.
Second order necessary conditions untuk masalah (2) adalah:
Jika x
adalah titik minimum lokal dari masalah (2), maka:

1 Z
T
f(x
) = 0,
2 Z
T
2
f(x
)Z bersifat semi defenit posistif.

Second order sucient conditions
Jika x
memenuhi:
1 Ax
= b,
2 Z
T
f(x
) = 0,
3 Z
T
2
f(x
)Z bersifat defenit posistif,

di mana Z adalah matriks basis dari N(A), maka x
adalah titik
minimum lokal dari masalah (2).
Kembali ke contoh
2
1
2x
1
+ x
2
2
x
2
3
+ 4x
3
,
terhadap x
1
x
2
+ x
3
= 2.
(5)
Kendalanya berbentuk
Ax = 2
dengan
A =
_
1 1 2
_
.
_
1 1 2
_
_
_
v
1
v
2
v
3
_
_
= 0
dipenuhi oleh v
1
= v
2
2v
3
. Pilih Z =
_
_
1 2
1 0
0 1
_
_
.
Z
T
f(x) =
_
1 1 0
2 0 1
_
_
2x
1
2
2x
2
2x
3
+ 4
_
=
_
2x
1
2 + 2x
2
4x
1
2x
3
+ 8
_
=
_
0
0
_
dan
x
1
x
2
+ x
3
= 2
memberikan
x
1
=
5
2
, x
2
=
3
2
, x
3
= 1.
Z
T
2
f(x
)Z =
_
1 1 0
2 0 1
_
_
2 0 0
0 2 0
0 0 2
__
1 2
1 0
0 1
_
=
_
4 4
4 6
_
,
bersifat denit positif. Maka
x
1
=
5
2
, x
2
=
3
2
, x
3
= 1
adalah solusi optimal dari masalah (5).
Pengali Langrange
Jika f : R
n
R, maka f (x) R
n
.
f (x) = Zv + A
T
,
dengan
Zv di null space dari matriks A,
A
T
di range dari matriks A, R
m
.
Z
T
f(x
) = Z
T
Zv
+ Z
T
A
T
= Z
T
Zv
+ (AZ)
T
= Z
T
Zv
.
Z
T
f(x
) = Z
T
Zv
= 0 dipenuhi oleh Zv
= 0. Kesimpulan:
f (x
) = A
T
. (rst order necessary condition)

Bentuk lain dari second order sucient conditions
Jika x
memenuhi:
1 f (x
) = A
T
,
2 Z
T
2
f(x
)Z bersifat defenit posistif,

di mana Z adalah matriks basis dari N(A), maka x
adalah titik
minimum lokal dari masalah (2).
Contoh
2
1
+ 2x
2
2
,
terhadap x
1
+ x
2
= 1.
(6)
Jawab:
f (x) =
_
2x
1
4x
2
_
,
2
f(x) =
_
2 0
0 4
_
_
2x
1
4x
2
_
=
_
1
1
_
,
sehingga x
1
=

2
, x
2
=

4
. Kita substitusikan ke kendala untuk
mendapatkan
=
4
3
, x
1
=
4
6
, x
2
=
1
3
.
Cek jenis keoptimalan
Z
T
2
f(
4
6
,
1
3
)Z = ( 1 1 )
_
2 0
0 4
__
1
1
_
= ( 6 ),
bersifat denit positif. Kesimpulan: titik (
4
6
,
1
3
) adalah titik
minimum lokal dari masalah.
Latihan
1
minimumkan f (x) = 3x
2
1
1
2
x
2
2
1
2
x
2
3
+ x
1
x
2
x
1
x
3
+ 2x
2
x
3
,
terhadap 2x
1
x
2
+ x
3
= 2.
(7)
2
minimumkan f (x) = (x
1
3
2
)
2
+ (x
2
5)
2
,
terhadap x
1
+ x
2
+ x
3
= 2
2x
1
+ 3x
2
+ x
4
= 11.
(8)
Pengali dan Fungsi Lagrange
Telah kita tunjukkan bahwa necessary condition for optimality dari
masalah (2) adalah f (x
) = A
T
. Vektor
dinamakan vektor
pengali Lagrange.
Denisikan fungsi
L(x, ) = f(x)
T
(Ax b).
Fungsi L(x, ) dinamakan fungsi Lagrange dari masalah (2).
1
x
L(x, ) = f(x)
T
A
2
L(x, ) = Ax b
Necessary conditions untuk masalah (2) dapat dituliskan menjadi
x
L(x, ) = 0 dan
L(x, ) = 0.
Shadow Price
Jika x
titik minimum lokal, maka untuk titik feasible x yang lain,

f (x) f (x
) + (x x
)
T
f(x
)
= f (x
) + (x x
)
T
A
T
= f (x
) +
T
.
Karena itu, vektor
dinamakan vektor shadow price.

Problems with Linear Inequality Constraints
minimumkan f (x),
terhadap Ax b.
(9)
Kemungkinan lokasi solusi optimal:
Di interior Ax b, (semua ketaksamaan dibuat A
i
x > b
i
)
Di batas Ax b. (minimal ada satu i di mana A
i
x = b
i
)
Kendala aktif
Pandang masalah optimisasi
1
2)
2
+ (x
2
3)
2
,
terhadap 3x
1
+ 2x
2
6
x
1
+ x
2
3,
x
1
2.
(10)
Masalah optimisasi tersebut mempunyai solusi optimum di titik
(x
1
, x
2
) = (2, 3) . Kendala 3 dibuat aktif di titik ini.
Denisi
Kendala a
i
x b
i
dikatakan kendala aktif di x jika a
i
x = b
i
.
Misalkan x
adalah titik minimum lokal dari masalah (9). Maka x
adalah titik minimum lokal dari masalah

minimumkan f (x)
terhadap

Ax =

b,
(11)
dengan
A adalah submatriks dari A yang bersesuaian dengan

kendala-kendala aktif di x
b adalah sub vektor b yang bersesuaian dengan

kendala-kendala aktif di x
Jika Z adalah matriks basis dari ruang nol

A, maka
1 f (x
) =

A
T
2 Z
T
2
f(x
)Z bersifat semi denit posistif.

Akan ditunjukkan bahwa
0.
Tanpa mengurangi keumuman, andaikan
1
< 0. Misalkan
e
1
=
_
1 0 0
_
T
. Karena baris-baris dari

A saling bebas,
maka p

Ap = e
1
0, atau p adalah suatu feasible direction
dari kendala masalah (9) di x
.
p
T
f(x
) = p
T
A
T
= e
T
1
1
< 0.
Kontradisksi dengan x
titik minimum lokal. Jadi haruslah
0.
Jadi, jika x
titik minimum lokal dari masalah (9), maka

1 f (x
) = A
T
0
3
i
(a
T
i
x
b
i
) = 0, i = 1, 2, , m. (setiap kendala tidak
aktif harus mempunyai pengali Lagrange yang bernilai 0,
untuk memperluas dari f (x
) =

A
T
ke f (x
) = A
T
)
Akan ditunjukkan bahwa
0.
Tanpa mengurangi keumuman, andaikan
1
< 0. Misalkan
e
1
=
_
1 0 0
_
T
. Karena baris-baris dari

A saling bebas,
maka p

Ap = e
1
0, atau p adalah suatu feasible direction
dari kendala masalah (9) di x
.
p
T
f(x
) = p
T
A
T
= e
T
1
1
< 0.
Kontradisksi dengan x
titik minimum lokal. Jadi haruslah
0.
Jadi, jika x

1 f (x
) = A
T
0
3
i
(a
T
i
x
b
i
) = 0, i = 1, 2, , m. (setiap kendala tidak
aktif harus mempunyai pengali Lagrange yang bernilai 0,
untuk memperluas dari f (x
) =

A
T
ke f (x
) = A
T
)
Necessary Conditions for Optimality
Jika x

1 f (x
) = A
T
0
3
i
(a
T
i
x
b
i
) = 0, i = 1, 2, , m
4 Z
T
2
f(x
)Z bersifat semi denit posistif,

dengan Z adalah matriks basis dari ruang nol

A.
Sucient Conditions for Optimality
Jika x
dan
memenuhi:
1 Ax
b,
2 f (x
) = A
T
,
3
0,
4
i
(a
T
i
x
b
i
) = 0, i = 1, 2, , m dipenuhi secara murni,
5 Z
T
2
f(x
)Z bersifat denit posistif,

dengan Z adalah matriks basis dari ruang nol

A, maka x
adalah
titik minimum lokal dari masalah (9).
Bukti necessary condistions
Misalkan x
memenuhi empat syarat pertama. Syarat keempat

menyatakan bahwa jika x
membuat beberapa kendala aktif

dengan sub-matrix dari A yang bersesuaian dengan kendala aktif
tersebut adalah

A, maka pengali Lagrange yang bersesuaian
dengan kendala-kendala tersebut, misalnya

, adalah vektor yang

positif. Misalkan p adalah feasible direction di x
. Maka
p
T
f(x
) = p
T
A
T
= p
T
A
T
> 0
Kembali ke masalah optimisasi (10)
1
2)
2
+ (x
2
3)
2
,
terhadap 3x
1
+ 2x
2
6
x
1
+ x
2
3, x
1
2.
(12)
C1 C2 C3
1

2

3
x
1
x
2
Keoptimalan
0 0 0 2 3 min lokal
0 0 0
12/13 0 0 8/13 27/13 bukan optimal
0 2 0 1 4 bukan optimal
0 0 0 2 3 min lokal
4/5 8/5 0 0 3 max lokal
3 0 9 2 0 max lokal
0 4 4 2 5 max lokal
Latihan
1 Dengan menggunakan syarat-syarat cukup untuk keoptimalan,
tunjukkan mana di antara titik-titik (0, 0)
T
, (4, 0)
T
dan
_
4
3
,
8
3
_
T
yang merupakan titik maksimum lokal dari fungsi
f (x) =
1
2
(x
1
1)
2
+ (x
2
2)
2
dengan kendala
2x
1
x
2
0,
x
1
x
2
4,
x
2
0.
2 Tentukan titik minimum dan titik maksimum dari fungsi
f (x, y) = 48xy 32x
3
24y
2
di daerah
0 x 1, 0 y 1.
Masalah
1
minimumkan f (x)
terhadap g
i
(x) = 0, i = 1, 2, , m
(13)
2
minimumkan f (x)
terhadap g
i
(x) 0, i = 1, 2, , m
(14)
Contoh
1
2
1
x
2
2
terhadap x
2
1
+ 2x
2
2
= 4
(15)
2
minimumkan f (xx
1
terhadap (x
1
+ 1)
2
+ x
2
1
x
2
1
+ x
2
2
2.
(16)
Contoh
1
terhadap (x
1
+ 1)
2
+ x
2
1
x
2
1
+ x
2
2
2.
(17)
Denisi
1 Titik x
dikatakan titik reguler dari masalah (13) jika

{g
1
(x
), , g
m
(x
)} bebas linear.
2 Misalkan I
x
adalah himpunan nomor kendala yang aktif di x
.
Titik x
dikatakan titik reguler dari masalah (14) jika

{g
i
(x
)|i I
x
} bebas linear.
Fungsi Lagrange untuk masalah (13) dan (14)
L(x, ) = f(x)
m
i=1
i
g
i
(x) = f(x)
T
g(x).
Syarat perlu untuk keoptimalan masalah (13):
Misalkan x
titik minimum lokal dari masalah (13). Misalkan Z

adalah matriks basis dari ruang nol g(x
)
T
. Jika x
titik reguler
dari kendala-kendala (13), maka terdapat
sehingga
1
x
L(x
) = 0 atau Zf(x
) = 0
2 Z
T
L
xx
(x, )Z bersifat semi denit posistif.
Syarat perlu untuk keoptimlan masalah (14)
Jika x
titik minimum lokal dari masalah (14). Misalkan Z adalah

matriks basis dari matriks Jacobi kendala-kendala aktif di x
. Jika
x
titik reguler dari kendala-kendala aktif, maka terdapat
sehingga
1
x
L(x
) = 0 atau Zf(x
) = 0
2
0
3
i
g
i
(x
) = 0, i = 1, 2, , m
4 Z
T
L
xx
(x, )Z bersifat semi denit posistif.
Sucient Conditions for Optimality for Problem (13)
Misalkan x
memenuhi g(x
) = 0. Jika x
dan
memenuhi:
1 L(x
) = 0,
2 Z
T
L
xx
(x, )Z bersifat denit posistif,
dengan Z adalah matriks basis dari Jacobian g(x
), maka x
adalah titik minimum lokal dari masalah (13).

Sucient Conditions for Optimality for Problem (14)
Misalkan x
memenuhi g(x
) = 0. Jika x
dan
memenuhi:
1 L(x
) = 0,
2
0
3
i
(g
i
(x
)) = 0, i = 1, 2, , m dipenuhi secara murni,

4 Z
T
L
xx
(x, )Z bersifat denit posistif,
dengan Z adalah matriks basis dari ruang Jacobian dari
kendala-kendala yang non-degenerate (kendala-kendala dengan
pengali Lagrange yang positif), maka x
adalah titik minimum

lokal dari masalah (14).
Kembali ke contoh 4
Pandang kembali masalah
1
terhadap (x
1
+ 1)
2
+ x
2
2
1
x
2
1
+ x
2
2
2.
(18)
Fungsi Lagrange:
L(x, ) = x
1
1
((x
1
+ 1)
2
+ 2x
2
1)
2
(x
2
1
x
2
2
+ 2)
L
x
(x, ) =
_
1
0
_
1
_
2(x
1
+ 1)
2x
2
_
2
_
2x
1
2x
2
_
(19)
Jika kedua kendala tidak aktif, maka tidak ada solusi untuk
L
x
(x, ) = 0
Jika kedua kendala aktif, maka terdapat dua titik yang
memenuhi, yaitu:
x = (1, 1) dengan
1
=
1
2
dan
2
=
1
2
x = (1, 1) dengan
1
=
1
2
dan
2
=
1
2
Jika kendala 1 aktif, kendala 2 tidak aktif (
2
= 0),maka titik
yang memenuhi adalah x = (0, 0) dengan
1
=
1
2
,
Jika kendala 1 tidak aktif, kendala 2 aktif, maka yang
memenuhi adalah x = (
2, 0) dengan
2
=
1
2
2
.
Cek keoptimalan
Titik x = (1, 1) dengan
1
=
1
2
dan
2
=
1
2
g(x) =
_
0 2
2 2
_
, mempunyai ruang nol {(0, 0)
T
}, tidak
punya basis. Jadi second order sucient condition otomatis
dipenuhi. Karena
1
=
1
2
> 0 dan
2
=
1
2
> 0, maka titik ini
adalah titik minimum lokal.
Titik x = (1, 1) dengan
1
=
1
2
dan
2
=
1
2
, titik
minimum lokal.
x = (0, 0) dengan
1
=
1
2
,
2
= 0. g
1
(x) =
_
2
4
_
. Pilih
Z = (2, 1)
T
.
Z
T
L
xx
(x, )Z = 1.
Jadi x = (0, 0) bukan titik ekstrim.
Cek keoptimalan (2)
Titik x = (
2, 0)
T
. g
2
(x) =
_
2
2
0
_
. Pilih Z = (0, 1)
T
.
Z
T
L
xx
(x, )Z =
1
sqrt(2)
.
Jadi x = (
_
(2), 0)
T
titik maksimum lokal.
Latihan
1 Tentukan solusi dari masalah
minimumkan x
2
1
+ 2x
2
2
+ x
1
x
2
6x
1
2x
2
12x
3
terhadap x
1
+ x
2
+ x
3
= 2,
x
1
2x
2
3
x
1
0
x
2
0
x
3
0
2 Tentukan semua titik ekstrem dari fungsi
f (x, y) = 48xy 32x
3
24y
2
di daerah yang dibatasi
0 x 2, y = x
2
.
Sequential Quadratic Programming
Metode optimisasi untuk menyelesaikan masalah
minimumkanf (x)
terhadap g(x) = 0.
(20)
Fungsi Lagrange untuk masalah di atas
L(x, ) = f(x)
T
g(x).
Kita akan membangun iterasi
x
k+1
= x
k
+ p
k
k+1
=
k
+
k
.
Bagaimana menentukan p
k
dan
k
?
Hampiran kuadratik untuk L(x, )
L(x
k+1
,
k+1
) L(x
k
,
k
) +
_
p
k
k
_
T
L(x
k
,
k
)
+
1
2
_
p
k
k
_
T
2
L(x
k
,
k
)
_
p
k
k
_
.
L(x
k+1
,
k+1
) L(x
k
,
k
) +
2
L(x
k
,
k
)
_
p
k
k
_
.
Jika diinginkan L(x
k+1
,
k+1
) = 0, maka
2
L(x
k
,
k
)
_
p
k
k
_
= L(x
k
,
k
).
Catat bahwa
L(x
k
,
k
) =
_

x
L(x
k
,
k
)
L(x
k
,
k
)
_
=
_
f (x
k
,
k
)
T
g(x
k
)
g(x
k
)
_
2
L(x
k
,
k
) =
_
_
2
xx
L(x
k
,
k
)
2
x
L(x
k
,
k
)
2
x
L(x
k
,
k
)
2
L(x
k
,
k
)
_
_
=
_

2
xx
L(x
k
,
k
) g(x
k
)
g(x
k
)
T
0
_
Iterasi Sequential Quadratic Programming
x
k+1
= x
k
+ p
k
,
k+1
=
k
+
k
,
dengan p
k
dan
k
memenuhi
_

2
xx
L(x
k
,
k
) g(x
k
)
g(x
k
)
T
0
__
p
k
k
_
=
_
f (x
k
,
k
)
T
g(x
k
)
g(x
k
)
_
Latihan
Terapkan sequential quadratic programming pada masalah
optimisasi
minimumkan f (x
1
, x
2
) = (x
1
2)
3
+ (x
2
1)
2
terhadap x
1
2x
2
+ 1 = 0,
untuk mendapatkan solusi optimal dari masalah tersebut. Gunakan
tebakan awal x
0
T
= (2,
3
2
) dan
0
=
5
6
.
Jawab: Misalkan g(x
1
, x
2
) = x
1
2x
2
+ 1
L(x
1
, x
2
, )
Iterasi :
x
k+1
= x
k
+
_
p1
k
p2
k
_
k+1
=
k
+ p3
k
,
dengan p1
k
, p2
k
dan p3
k
adalah solusi dari sistem persamaan
_

2
xx
L g
g
T
0
_
_
_
p1
k
p2
k
p3
k
_
_
=
_
_
L
x
1
L
x
2
g(x
1
, x
2
)
_
_
atau
_
_
6(x
1
1) 0 1
0 2 2
1 2 0
_
_
_
_
p1
k
p2
k
p3
k
_
_
=
_
_
3(x
1
2)
2
+
2(x
2
2) 2
x
1
2x
2
+ 1
_
_
Iterasi 1:
_
_
0 0 1
0 2 2
1 2 0
_
_
_
_
p1
k
p2
k
p3
k
_
_
=
_
_
5/6
4/6
0
_
_
,
sehingga kita dapatkan
p1
1
= 2/6, p2
1
= 1/6, p3
1
= 5/6.
x
1
=
_
2
3
2
_
+
_
2
6
1
6
_
=
_
7
3
10
6
_
(21)
1
=
5
6

5
6
= 0. (22)
x
L
_
7
3
,
10
6
, 0
_
=
_
3
9
4
6
_
Iterasi 2:
_
_
2 0 1
0 2 2
1 2 0
_
_
_
_
p1
k
p2
k
p3
k
_
_
=
_
_
3
9
4
6
0
_
_
,
sehingga kita dapatkan
p1
1
= 0, p2
1
= 0, p3
1
= 1/3.
x
2
= x
1
2
=
1
3
.
x
L
_
7
3
,
10
6
,
1
3
_
=
_
0
0
_
.
Cek jenis keoptimalan
2
f
_
7
3
,
10
6
_
=
_
2 0
0 2
_
, dan Z =
_
2
1
_
.
Z
T
2
f
_
7
3
,
10
6
_
Z > 0.
Maka
_
7
3
,
10
6
_
T
adalah local minimizer.
Penalty Method
Misalkan kita mempunyai masalah
minimumkan f (x)
terhadap x S.
(23)
Kendala x S, dapat dinyatakan oleh
g
i
(x) = 0, i = 1, , m,
g
i
(x) 0, i = 1, , n,
g
i
(x) = 0, i = 1, , m, h
i
(x) 0, i = 1, , n.
Masalah optimisasi (23) dapat diselesaikan lewat masalah tanpa
kendala
minimumkan f (x) + cP(x). (24)
Fungsi penalty
Fungsi P(x) didenisikan untuk memberikan penalty jika kita
berada di luar daerah feasible S. Maka,
P(x) = 0 jika x S,
P(x) > 0 jika x S,
P(x) kontinyu.
Contoh
Untuk masalah optimisasi
minimumkan f (x)
terhadapg
i
(x) = 0, i = 1, 2, , m,
(25)
kita dapat memilih P(x) =
m
i=1
g
2
i
(x).
Latihan
1 Tentukanlah fungsi penalty untuk masalah
minimumkan f (x)
terhadapg
i
(x) 0, i = 1, 2, , m,
(26)
2 Tentukanlah fungsi penalty untuk masalah
minimumkan f (x)
terhadapg
i
(x) = 0, i = 1, 2, , m,
h
i
(x) 0, i = 1, n.
(27)
Algoritma Penalty Method
Inisiasi: , x
1
, c
1
> 0, > 0.
Langkah:
1 k = 1
2 minimumkan q(x, c
k
) = f(x) + c
k
P(x). Misalkan solusinya
adalah x
k
.
3 Jika c
k
P(x
k
) < , solusi = x
k
, stop. Jika tidak,
c
k+1
= c
k
, k = k + 1,
kembali ke langkah 2.
Barrier Method
Metode ini adalah metode optimisasi untuk menyelesaikan masalah
minimumkan f (x)
terhadap g
i
(x) 0, i = 1, 2, , m.
Serupa dengan Penalty Method, masalah dengan kendala di atas
diubah menjadi masalah tanpa kendala
minimumkan f (x) + B(x).
Bagaimana mendenisikan B(x)?
Barrier function
Barrier function B(x) haruslah memenuhi:
1 B kontinyu,
2 B(x) 0, untuk setiap x di daerah feasible,
3 B(x) jika x mendekati batas daerah feasible.
Contoh Barrier Function:
1 B(x) =
m
i =1
1
g
i
(x)
2 B(x) =
m
i =1
ln(min(1, g
i
(x))).
Algoritma Barrier Method
Inisiasi: ,
1
(> 0), (0, 1).
Langkah:
1 k = 1
2 minimumkan f (x) +
k
B(x). Misalkan solusinya adalah x
k
.
3 Jika
k
B(x
k
) < , solusi = x
k
, stop. Jika tidak,
k+1
=
k
, k = k + 1,
kembali ke langkah 2.

Slide Constraint Problem 0

Uploaded by

Document Information

Original Description:

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Slide Constraint Problem 0

Uploaded by

Copyright:

Available Formats

Outline Prob LinEqCon LinIneq Masalah Non-Linear Umum SeqQuad

Pengantar Optimisasi: Constrained Problem

adalah titik minimum lokal dari masalah (2), maka:

)Z bersifat semi defenit posistif.

)Z bersifat defenit posistif,

. (rst order necessary condition)

)Z bersifat defenit posistif,

titik minimum lokal, maka untuk titik feasible x yang lain,

dinamakan vektor shadow price.

adalah titik minimum lokal dari masalah (9). Maka x

adalah titik minimum lokal dari masalah

A adalah submatriks dari A yang bersesuaian dengan

b adalah sub vektor b yang bersesuaian dengan

Jika Z adalah matriks basis dari ruang nol

)Z bersifat semi denit posistif.

titik minimum lokal. Jadi haruslah

titik minimum lokal dari masalah (9), maka

titik minimum lokal. Jadi haruslah

titik minimum lokal dari masalah (9), maka

titik minimum lokal dari masalah (9), maka

)Z bersifat semi denit posistif,

)Z bersifat denit posistif,

memenuhi empat syarat pertama. Syarat keempat

membuat beberapa kendala aktif

, adalah vektor yang

dikatakan titik reguler dari masalah (13) jika

adalah himpunan nomor kendala yang aktif di x

dikatakan titik reguler dari masalah (14) jika

titik minimum lokal dari masalah (13). Misalkan Z

titik minimum lokal dari masalah (14). Misalkan Z adalah

titik reguler dari kendala-kendala aktif, maka terdapat

adalah titik minimum lokal dari masalah (13).

)) = 0, i = 1, 2, , m dipenuhi secara murni,

adalah titik minimum

You might also like