Professional Documents
Culture Documents
Brawijaya University
5. PENCARIAN FIBONACI 6. METODE BAGIAN GOLDEN DAN PENCARIAN LAIN 7. PERBANDINGAN METODE PENGHINDARAN BERBEDA
MODUL
Minggu 4
SELF-PROPAGATING ENTREPRENEURIAL EDUCATION DEVELOPMENT (SPEED)
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 1.2.2 Tujuan Instruksional Khusus Setelah mempelajari pokok bahasan mahasiswa dapat ; Memahami suatu masalah optimasi dimana fungsi tujuan didak dikethui dengan pasti, atau perlu menjalankan (run) suatu percobaan. Mampu mempersempit wilayah dimana nilai optimum berada dengan berbagai metode yang diberikan Mampu menganalisis karakteristik masing-masing metode dan membandingkannya Mampu melalukan eksperimental berdasarkan metode pencarian.
2. JENIS PENDEKATAN
Metode pencarian dapat digunakan untuk berbagai macam masalah, mulai dari yang sangat sederhana masalah dengan tak terbatas optimasi variabel tunggal- untuk sangat rumit sistem dengan banyak kendala dan variabel. Karena mereka versatility dan aplikasi yang mudah, metode ini adalah yang paling umum digunakan untuk Optimizing sistem termal. Selain itu, metode ini dapat digunakan untuk meningkatkan desain bahkan jika proses optimasi lengkap tidak dilakukan. Misalnya, jika desain diterima telah diperoleh, variabel desain dapat bervariasi dari nilai-nilai yang diperoleh, dekat desain diterima. Hal ini memungkinkan seseorang untuk mencari solusi yang lebih baik, seperti yang diberikan oleh perbaikan dalam fungsi tujuan. Demikian pula, sevdesain diterima eral dapat dihasilkan selama proses desain. Sekali lagi, terbaik di antara dipilih sebagai optimal dalam domain yang diberikan. Hal ini jelas bahwa metode pencarian memberikan pendekatan yang penting dan berguna untuk mengekstraksi desain optimal dan untuk memperbaiki desain yang sudah ada. Kami akan fokus pada skema pencarian sistematis, yang dapat digunakan untuk menentukan Optimal desain ibu di suatu wilayah yang batas-batas yang deined oleh kisaran desain variabel. Dalam rangka untuk menggambarkan metode yang berbeda, relatif sederhana ekspresi-aksesi bekerja di sini untuk metode pencarian yang tidak diperlukan, dan sederhana skema seperti metode kalkulus dapat dengan mudah digunakan. Namun, ini hanya untuk tujuan ilustrasi dan, dalam prakteknya, setiap tes lari atau simulasi umumnya akan melibatkan banyak waktu dan usaha. Beberapa sistem praktis juga dianggap menunjukkan penerapan metode ini untuk lebih kompleks sistem. Ada beberapa pendekatan yang dapat digunakan dalam metode pencarian, tergantunging pada apakah dibatasi atau masalah tak terbatas sedang dipertimbangkan dan apakah masalah melibatkan variabel tunggal atau beberapa variabel. Ini pendekatan dapat classiied sebagai berikut. Eliminasi Metode Dalam metode ini, domain di mana terletak optimal secara bertahap dikurangi dengan menghilangkan daerah yang ditentukan tidak mengandung optimal. Kita mulai dengan desain domain deined oleh rentang diterima dari variabel. Wilayah ini adalah dikenal sebagai interval awal ketidakpastian. Oleh karena itu, wilayah ketidakpastian di mana kebohongan optimal berkurang sampai interval yang diinginkan tercapai. Nilai-nilai yang tepat dari variabel desain yang dipilih dari interval ini untuk mendapatkan desain yang optimal. Untuk single-variabel masalah, metode pencarian utama berdasarkan pada eliminasi adalah Pencarian Exhaustive
Page 2 of 12
Brawijaya University
2012
Semua pendekatan ini memiliki karakteristik mereka sendiri, keuntungan, dan applicability, seperti yang dibahas dengan rinci. Metode ini juga dapat digunakan untuk multivariable masalah dengan menerapkan pendekatan untuk satu variabel pada suatu waktu. Teknik ini, dikenal sebagai pencarian univariat, disajikan kemudian dan secara luas digunakan. Lengkap pencarian atas domain ini juga dapat digunakan untuk masalah multivariabel. Penerapan metode ini untuk masalah optimasi tak terbatas, bersama dengan efektivitas mereka dalam mengurangi interval ketidakpastian untuk jumlah simulasi run spesifik.
Optimasi Berkendala
Teknik-teknik yang disebutkan sebelumnya sangat berguna untuk dibatasi optimalisasi masalah. Namun, banyak dari ini juga dapat digunakan, dengan beberapa modiications, untuk masalah dibatasi, yang umumnya lebih dificult untuk memecahkan. Kendala harus satisied ketika mencari optimal. Hal ini membatasi gerakan menuju optimal. Kendala juga dapat deine desain domain diterima. Dua skema penting untuk masalah yang terbatas mengoptimalkan Penalti fungsi metode Pencarian di sepanjang kendala Pendekatan mantan menggabungkan fungsi tujuan dan kendala menjadi fungsi baru yang diperlakukan sebagai tidak dibatasi, tetapi yang memungkinkan efek kendala yang harus diperhitungkan melalui pilihan hati-hati dari pembobotan faktor. Pendekatan terakhir dapat dikombinasikan dengan metode yang disebutkan sebelumnya untuk optimasi dibatasi, terutama dengan metode pendakian tercuram. Itu pencarian dilakukan sepanjang kendala sehingga pilihan terbatas dan desain yang optimal satisies kendala. Prosedur menjadi sangat terlibat dalam semua tetapi kasus yang sangat sederhana. Oleh
Page 3 of 12
Brawijaya University
2012
karena itu, usaha seringkali diarahkan untuk mengkonversi Masalah tegang ke yang tak terbatas atau metode fungsi penalti digunakan.
Page 4 of 12
Brawijaya University
2012
Gambar 2. Pencarian exhaustive seragam untuk maksimum dalam M dengan variabel independen Tr. Jika lima titik trial atau run yang dipilih, yaitu, n=5, rentang dibagi menjadi enam interval, masing-masing lebar 50 K, seperti yang ditunjukkan pada Gambar 2. Output dihitung dari simulasi sistem pada titik-titik yang dipilih dan hasil yang diperoleh ditampilkan. Dari pemeriksaan, output maksimum harus terletak pada Interval 400< Tr< 500. Oleh karena itu, interval ketidakpastian telah dikurangi 300-100 sebagai akibat 5 run. Desain yang optimal yang diinginkan kemudian dipilih dari interval ini. Secara umum, wilayah final ketidakpastian Lf adalah
Karena dua subinterval, dari total n+1, mengandung optimal. Pengurangan interval ketidakpastian umumnya dinyatakan dalam rasio reduksi R, didefinisikan sebagai
Oleh karena itu, jumlah eksperimen atau percobaan run n diperlukan untuk mendapatkan yang diinginkan interval ketidakpastian dapat ditentukan dari persamaan ini. Misalnya, jika, dalam contoh sebelumnya, daerah yang mengandung optimal itu harus dikurangi menjadi 30 K, maka penurunan rasio 10 dan n jumlah percobaan yang diperlukan untuk run melakukannya adalah 19. Metode pencarian lengkap bukan merupakan strategi yang sangat eficient untuk menentukan optimal karena mencakup seluruh domain seragam. Namun, tidak mengungkapkan karakteristik umum dari fungsi tujuan yang dioptimalkan,
Page 5 of 12
Brawijaya University
2012
khususnya apakah itu unimodal, apakah memang ada optimal, dan apakah itu adalah maksimum atau minimum. Oleh karena itu, meskipun ineficient, pendekatan ini berguna untuk keadaan di mana tren dasar fungsi tujuan yang tidak diketahui karena kompleksitas masalah atau karena masalah baru dengan sedikit Informasi sebelumnya. Hal ini tidak biasa menghadapi sistem termal dengan asing karakteristik fungsi tujuan yang dipilih. Bahkan dalam kasus plastic screw extruder, dianggap sebelumnya, efek dari temperatur barel bukan merupakan satu mudah untuk memprediksi karena ketergantungan perilaku sistem pada materi, sifat yang sangat bervariasi dengan suhu dan dengan demikian mempengaruhi rendah dan panas Transfer karakteristik. Pencarian lengkap membantu dalam deining optimasi masalah yang lebih tajam daripada formulasi aslinya. Hanya sejumlah kecil run dapat dibuat awalnya untuk menentukan perilaku fungsi. Menggunakan Informasi yang diperoleh, salah satu pendekatan yang lebih eficient, disajikan dalam mengikuti, kemudian dapat dipilih untuk optimasi.
4. PENCARIAN DIKOTOMIS
Dalam pencarian dikotomis, trial run dilakukan secara berpasangan, dipisahkan oleh relative jumlah kecil, untuk menentukan apakah fungsi tujuan meningkat atau menurun. Oleh karena itu, jumlah total run harus genap. Sekali lagi, fungsi-tion diasumsikan unimodal dalam domain desain, dan daerah dieliminasi menggunakan nilai-nilai yang diperoleh dalam rangka mengurangi wilayah ketidakpastian yang con-suka mempertahankan maksimum atau minimum. Metode pencarian dikotomi mungkin diimplementasikan dalam dua cara berikut. Pencarian Dikotomi Seragam dalam hal ini, diatur run tersebar merata atas domain desain keseluruhan. Oleh karena itu, pendekatan ini mirip dengan metode pencarian lengkap, kecuali bahwa pasangan run digunakan dalam setiap kasus. Setiap pasangan dipisahkan oleh E jumlah kecil divariabel independen. Mengingat contoh sebelumnya pada Gambar 2, domain desain total membentang dari 300 sampai 600 K. Kita dapat memutuskan untuk menggunakan empat run, menempatkan satu pasang pada 400 K dan yang lainnya di 500 K, dengan E pemisahan 10 K dalam setiap kasus. Seperti yang terlihat pada Gambar 3, pasangan kiri memungkinkan kita untuk menghilangkan daerah dari batas kiri ke titik A dan pasangan yang tepat wilayah di luar butir b. Di sini, pasangan A, a dan B, b berada pada jarak yang sama di kedua sisi memilih nilai 400 dan 500 K, dengan perbedaan K dari ini. Pemisahan harus lebih besar dari kesalahan dalam pencocokan nilai variabel untuk mendapatkan hasil yang akurat dan berulang.
Page 6 of 12
Brawijaya University
2012
Untuk n run atau simulasi, Lo kisaran awal dibagi menjadi (n/2)+1 sub-interval, mengabaikan wilayah antara satu pasangan. Karena interval inal ketidakpastian Lf memiliki lebar subdivisi tunggal, R penurunan rasio diperoleh, mengabaikan E pemisahan, sebagaimana
Oleh karena itu, interval awal ketidakpastian direduksi menjadi satu-ketiga, atau 400< Tr< 500 K, setelah empat run. Dengan pencarian lengkap, 40% dari domain tersebut kiri setelah empat run, seperti yang terlihat dari Persamaan. Oleh karena itu, Pencarian dikotomi seragam sedikit lebih cepat dalam konvergensi daripada pencarian lengkap seragam.
PENCARIAN SEQUENTIAL DIKOTOMI Seperti sebelumnya, metode ini menggunakan pasang eksperimen atau simulasi untuk memastikanapakah fungsi bertambah atau berkurang dan dengan demikian mengurangi interval con-Taining optimal. Namun, juga menggunakan informasi yang diperoleh dari satu pasang dari run untuk memilih pasangan berikutnya. Pasangan pertama terletak di dekat tengah diberikan jangkauan dan sekitar setengah domain tersebut dieliminasi. Pasangan berikutnya kemudian terletak dekat bagian tengah dari domain yang tersisa dan proses berulang. Proses ini dilanjutkan sampai interval yang diinginkan ketidakpastian diperoleh. Karena pasang run yang digunakan, jumlah total run bahkan.
Menimbang, sekali lagi, contoh yang digunakan sebelumnya, mari kita mencari pasangan pertama dari poin, A dan, di kedua sisi Tr<450 K dengan pemisahan E 10 K. Karena kita mencari maksimal dalam output dan sejak Ma>MA, di mana Ma dan MA adalah nilai fungsi tujuan di dua titik, wilayah di sebelah kiri adalah elimi-terkontaminasi, dan interval baru ketidakpastian adalah 450<Tr<600 K jika E diabaikan.
Page 7 of 12
Brawijaya University
2012
5. PENCARIAN FIBONACCI
Pencarian Fibonacci adalah teknik yang sangat eficient untuk mempersempit domain di mana nilai optimum dari variabel desain terletak. Ini menggunakan pendekatan berurutan berdasarkan pada seri Fibonacci, yang merupakan serangkaian nomor yang diperoleh Fibonacci, seorang matematika pada abad ketiga belas. Serial ini diberikan oleh ekspresi
Oleh karena itu, pertama dua angka dalam seri ini adalah persatuan dan nomor n adalah jumlah dari dua angka sebelumnya. Seri Fibonacci demikian dapat ditulis sebagai
Hal ini dapat dilihat dari seri ini bahwa angka-angka meningkat dengan cepat dengan meningkatnya n. Fakta bahwa, untuk n2, setiap nomor adalah jumlah dari dua angka terakhir digunakan menguntungkan untuk mendistribusikan trial run atau percobaan. Metode ini dimulai dengan memilih jumlah total run n. Pilihan ini didasarkan pada rasio reduksi. Rentang awal nilai Lo diasumsikan untuk diberikan. Kemudian pencarian Fibonacci menempatkan pertama dua run pada jarak d1=(Fn-2/Fn) Lo dari kedua ujung dari interval awal. Untuk n=5, ini berarti menempatkan run di d1=(F3/F5)= (3/8)Lo dari kedua ujung rentang. Simulasi sistem dilakukan pada dua nilai dari variabel desain dan fungsi objektif yang sesuai ditentukan. Nilai-nilai yang diperoleh digunakan untuk menghilangkan daerah dari pertimbangan lebih lanjut, seperti yang dibahas sebelumnya dan ditunjukkan dalam Gambar 1. Interval sisa lebar L kini dipertimbangkan dan run dilakukan pada jarak d2 dari setiap akhir interval ini, di mana d2=(Fn-3/Fn-1) L. Lokasi salah satu run bertepatan dengan untuk salah satu run sebelumnya, karena sifat dari seri, dan hanya satu simulasi tambahan diperlukan untuk set kedua poin. Sekali lagi, daerah dieliminasi dari pertimbangan lebih lanjut dan poin untuk iterasi berikutnya ditempatkan di jarak d3 dari kedua ujung Interval baru, di mana d3=(Fn-4/Fn2)L , L menjadi lebar interval ini. Dengan demikian, wilayah ketidakpastian berkurang. Proses ini berlanjut sampai jangka n adalah tercapai. Run ini ditempatkan di sebelah kanan dari simulasi sebelumnya dekat bagian tengah dari kiri interval, dan dengan demikian wilayah ini lebih dibelah dua untuk menghasilkan interval final ketidakpastian Lf Contoh sederhana berikut menggambarkan prosedur ini.
Contoh
Untuk sistem pemanas, fungsi tujuan U(x) adalah panas yang dilimpahkan per unit energi yang dikonsumsi. Variabel independen x mewakili pengaturan suhu dan memiliki rentang awal 0 sampai 8. Maksimal di U diinginkan untuk mengoperasikan system yang paling efisien. Fungsi objektif diberikan sebagai U(x)= 7 + 17x - 2x2. Dapatkan optimum dengan menggunakan metode pencarian Fibonacci.
Page 8 of 12
Brawijaya University
2012
Dimulai dengan memilih jumlah run sebagai lima. Kemudian pertama dua run dibuat di d1=(F3/F5) Lo=(3/8)8=3 dari kedua ujung, yaitu, pada x=3 dan 5. Nilai pada x=5 adalah ditemukan lebih besar daripada pada x=3. Oleh karena itu, untuk maksimum U(x), daerah 0<x< 3 dihilangkan, meninggalkan domain dari 3 sampai 8. Dua poin berikutnya yang terletak di d2=(F2/F4) L=(2/5) 5=2 dari kedua ujung interval baru lebar L=5. Dengan demikian, dua titik yang terletak pada x=6 dan di x=5. Ini lokasi yang terakhir ini sudah disimulasikan. Hasil dari run di x=6 menunjukkan bahwa Fungsi tujuan lebih kecil dibandingkan pada x=5. Oleh karena itu, daerah di luar x= 6 adalah dieliminasi, meninggalkan domain dari x=3 sampai 6 untuk pertimbangan kedepan.
Gambar 5. Menggunakan metode Fibonacci untuk mengurangi interval ketidakpastian Dua poin berikutnya yang terletak di d3=(F1/F3) L= (1/3) 3=1 dari kedua ujung domain, yaitu, pada x=5 (yang sudah tersedia) dan pada x=4. Dengan demikian, simulasi dilakukan pada x= 4, dan fungsi tujuan ditemukan untuk menjadi lebih besar dari itu pada x=5. Wilayah luar x=5 dihilangkan, meninggalkan domain 3<x<5. Kelima dan run final sekarang dibuat pada titik di sebelah kanan dari x=4 untuk menentukan apakah Fungsi bertambah atau berkurang. Nilai fungsi ini ditemukan lebih tinggi pada titik ini, menunjukkan peningkatan fungsi dengan x meningkat. Oleh karena itu, wilayah 3<x<4 dihilangkan, memberikan 4< x< 5 sebagai wilayah final ketidakpastian. Jika x=4,5 dipilih sebagai pengaturan untuk U optimal, panas maksimum disampaikan per unit energi yang dikonsumsi diperoleh sebagai 43,125. Nilai U pada x=0 adalah 7 dan pada x=8 itu adalah 15. Oleh karena itu, penghematan yang diperoleh dengan mengoptimalkan. Gambar 5 menunjukkan berbagai langkah dalam penentuan interval inal ketidakpastian. Rentang awal direduksi menjadi seperdelapan dari nilai hanya dalam lima run. Karena Fn=8 untuk n=5, hal ini juga menunjukkan bahwa penurunan rasio Fn. Dengan demikian, metode ini pencarian menyatu (konvergen) sangat cepat pada optimal dan hanya sedikit run sering kali sudah memadai untuk memperoleh tingkat akurasi yang diinginkan.
Page 9 of 12
Brawijaya University
2012
7. PERBANDINGAN METODE
Rasio reduksi R, memberikan rasio interval awal ketidakpastian dengan interval diperoleh setelah run n. Oleh karena itu, adalah ukuran dari efisiensi dari metode. Hal ini juga dapat digunakan untuk memilih jumlah run dibutuhkan untuk memperoleh ketidakpastian yang diinginkan dalam menemukan optimal. Rasio pengurangan untuk berbagai metode yang disajikan di sini untuk optimasi dari satu-masalah variabel diberikan dalam Tabel.
Page 10 of 12
Brawijaya University
2012
Di sini, efek dari pemisahan E antara pasangan run pada Rasio pengurangan diabaikan. Jika E dipertahankan, interval final dapat terbukti
ketika titik kedua pasangan selalu terletak di sebelah kanan dari titik pertama di pemisahan E (Stoecker, 1989). Dengan demikian, rasio pengurangan diberikan dalam Tabel adalah diperoleh saat E diabaikan. Hasil yang sesuai juga ditampilkan secara grafis pada Gambar 6.
Gambar 6. Reduksi rasio R sebagai fungsi jumlah n run untuk metode pencaraian eliminasi berbeda
Page 11 of 12
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.
PROPAGASI
A. Tugas (Evaluasi mandiri) 1. Diketahui bahwa hasil proses penjernihan kontaminan (F) minimum terjadi pada selang konsentrasi faktor input adalah 5% sampai 20 %. Misal F = 1.5 X2 2X + 3 . Tentukan pada konsentrasi berapa saja anda akan lakukan eksperimen jika anda diijinkan melakukan sebanyak 4 kali eksperimen. Gunakan teknik pencarian titik Optimum dengan menggunakan metode dikotomi seragam, dikotomi sequential dan bilangan fibonacci 2. Diketahui bahwa hasil proses maksimum terjadi pada selang konsentrasi faktor input adalah 0% sampai 10 %. Tentukan pada konsentrasi berapa saja anda akan lakukan eksperimen jika anda diijinkan melakukan sebanyak 8 kali eksperimen. Gunakan teknik pencarian titik Optimum.
B. QUIZ - (Evaluasi)
Page 12 of 12