Materi Teknik Optimasi
GRADIENT DESCENT (ASCENT)
By Eni Sumarminingsih, SSi, MM
Gradient descent (ascent) adalah algoritma
optimasi orde pertama.
Untuk menemukan minimum lokal dari fungsi
menggunakan gradien descent, diambil langkah
sebanding dengan negatif dari gradien (atau
perkiraan gradien) dari fungsi pada titik sekarang.
Jika diambil langkah sebanding dengan gradien
positif, maka akan didapatkan maksimum lokal
fungsi tersebut; prosedur ini kemudian dikenal
sebagai gradient ascent
Gradient descent juga dikenal sebagai steepest
descent, sedangkan gradient ascent dikenal dengan
steepest ascent.
ALGORITMA (MAKSIMISASI)
Mulai dari titik awal v0
Bergerak dari v0 ke v1 dengan arah f(v0) :
v1 = v0 + t0 f(v0)
dengan t0 adalah solusi dari masalah optimisasi
berikut:
max f(v0 + t0 f(v0) )
s.t t0 ≥ 0
Langkah – langkah tersebut diulangi sampai
didapat nilai vi dan vi+1 yang cukup dekat
ALGORITMA (MINIMISASI)
Mulai dari titik awal v0
Bergerak dari v0 ke v1 dengan arah f(v0) :
v1 = v0 t0 f(v0)
dengan t0 adalah solusi dari masalah optimisasi
berikut:
min f(v0 t0 f(v0) )
s.t t0 ≥ 0
Langkah – langkah tersebut diulangi sampai
didapat nilai vi dan vi+1 yang cukup dekat
ILUSTRASI
CONTOH SOAL
Gunakan metode steepest ascent untuk
aproksimasi solusi dari
s.t
Dengan titik awal v0 = (1,1)
Jawab: f(x1, x2) = (– 2(x1 – 3), – 2(x2 – 2))
f(v0) = f(1,1) = (4,2)
Pilih t0 yang memaksimumkan
f(v0 + t0 f(v0) ) max f[(1,1)+t0(4,2)]
max f[1+4t0 , 1+2t0]
f ‘(t0)=0 2(2+4t0)4 2(1+2t0)2 = 0
20 – 40 t0 = 0
t0 = 0.5
v1 = [(1,1)+0.5(4,2)] = (3,2)
Karena f(3, 2) = (0,0) maka iterasi dihentikan
Karena f(x1, x2) adalah fungsi konkaf, maka (3,2)
adalah solusi yang dicari
SOAL SOAL
1.
Gunakan metode gradient ascent untuk
menduga solusi optimal dari
mulai dari titik awal (2.5, 1.5)
2. Gunakan metode gradient descent untuk
menduga solusi optimal dari
By Eni Sumarminingsih, SSi, MM
Gradient descent (ascent) adalah algoritma
optimasi orde pertama.
Untuk menemukan minimum lokal dari fungsi
menggunakan gradien descent, diambil langkah
sebanding dengan negatif dari gradien (atau
perkiraan gradien) dari fungsi pada titik sekarang.
Jika diambil langkah sebanding dengan gradien
positif, maka akan didapatkan maksimum lokal
fungsi tersebut; prosedur ini kemudian dikenal
sebagai gradient ascent
Gradient descent juga dikenal sebagai steepest
descent, sedangkan gradient ascent dikenal dengan
steepest ascent.
ALGORITMA (MAKSIMISASI)
Mulai dari titik awal v0
Bergerak dari v0 ke v1 dengan arah f(v0) :
v1 = v0 + t0 f(v0)
dengan t0 adalah solusi dari masalah optimisasi
berikut:
max f(v0 + t0 f(v0) )
s.t t0 ≥ 0
Langkah – langkah tersebut diulangi sampai
didapat nilai vi dan vi+1 yang cukup dekat
ALGORITMA (MINIMISASI)
Mulai dari titik awal v0
Bergerak dari v0 ke v1 dengan arah f(v0) :
v1 = v0 t0 f(v0)
dengan t0 adalah solusi dari masalah optimisasi
berikut:
min f(v0 t0 f(v0) )
s.t t0 ≥ 0
Langkah – langkah tersebut diulangi sampai
didapat nilai vi dan vi+1 yang cukup dekat
ILUSTRASI
CONTOH SOAL
Gunakan metode steepest ascent untuk
aproksimasi solusi dari
s.t
Dengan titik awal v0 = (1,1)
Jawab: f(x1, x2) = (– 2(x1 – 3), – 2(x2 – 2))
f(v0) = f(1,1) = (4,2)
Pilih t0 yang memaksimumkan
f(v0 + t0 f(v0) ) max f[(1,1)+t0(4,2)]
max f[1+4t0 , 1+2t0]
f ‘(t0)=0 2(2+4t0)4 2(1+2t0)2 = 0
20 – 40 t0 = 0
t0 = 0.5
v1 = [(1,1)+0.5(4,2)] = (3,2)
Karena f(3, 2) = (0,0) maka iterasi dihentikan
Karena f(x1, x2) adalah fungsi konkaf, maka (3,2)
adalah solusi yang dicari
SOAL SOAL
1.
Gunakan metode gradient ascent untuk
menduga solusi optimal dari
mulai dari titik awal (2.5, 1.5)
2. Gunakan metode gradient descent untuk
menduga solusi optimal dari