Jumat, 25 September 2026
07:37 WIB
TERKINI
Bandar Lampung Inovasi Pendidikan Lampung: Guru Ahli Mengajar Lintas Sekolah Tingkatkan Mutu Nasional Bandar Lampung Tragedi Kelengkeng di Lampung Tengah: Siswa 9 Tahun Meninggal, Program MBG Dievaluasi Account KG Media ID: Satu Akun untuk Seluruh Ekosistem Digital Kompas Gramedia Otomotif EXOBOT: Bukti Ambisi Arab Saudi di Pasar Mobil Listrik Dunia Olahraga Modernisasi Pendataan Atlet: KONI Lampung Buka Pendaftaran Daring Porprov X 2026 Olahraga Porprov X Lampung 2026: Pendaftaran Peserta Resmi Dibuka Secara Daring Eropa & Amerika Delegasi AS Walk Out Saat Presiden Iran Kecam Serangan di Sidang PBB Eropa & Amerika Presiden Iran Kecam AS di PBB: Kami Korban Terorisme, Bukan Pelaku Internasional Ekspresi Tak Terduga Donald Trump Kala Pesawat Pengebom B-1 Meraung di Udara Hukum Mobil Halangi Ambulans Pasien Kritis di Surakarta: Sorotan Pentingnya Prioritas Jalan dan Sanksi Hukum Bandar Lampung Inovasi Pendidikan Lampung: Guru Ahli Mengajar Lintas Sekolah Tingkatkan Mutu Nasional Bandar Lampung Tragedi Kelengkeng di Lampung Tengah: Siswa 9 Tahun Meninggal, Program MBG Dievaluasi Account KG Media ID: Satu Akun untuk Seluruh Ekosistem Digital Kompas Gramedia Otomotif EXOBOT: Bukti Ambisi Arab Saudi di Pasar Mobil Listrik Dunia Olahraga Modernisasi Pendataan Atlet: KONI Lampung Buka Pendaftaran Daring Porprov X 2026 Olahraga Porprov X Lampung 2026: Pendaftaran Peserta Resmi Dibuka Secara Daring Eropa & Amerika Delegasi AS Walk Out Saat Presiden Iran Kecam Serangan di Sidang PBB Eropa & Amerika Presiden Iran Kecam AS di PBB: Kami Korban Terorisme, Bukan Pelaku Internasional Ekspresi Tak Terduga Donald Trump Kala Pesawat Pengebom B-1 Meraung di Udara Hukum Mobil Halangi Ambulans Pasien Kritis di Surakarta: Sorotan Pentingnya Prioritas Jalan dan Sanksi Hukum

Pengali Lagrange

Pengali Lagrange adalah metode untuk mencari nilai maksimum dan minimum suatu fungsi. Metode ini dinamai dari matematikawan Prancis-Italia Joseph-Louis Lagrange.[1]

Apabila hanya ada satu batasan dan dua pilihan variabel, pertimbangkan permasalahan optimisasi berikut:

maksimisasi f(x, y)
bergantung pada g(x, y) = 0.

Diasumsikan bahwa f dan g memiliki turunan parsial pertama. Kemudian ditambahkan variabel baru (λ) yang disebut "pengali Lagrange", dan fungsi Lagrange didefinisikan sebagai berikut:

L ( x , y , λ ) = f ( x , y ) − λ ⋅ g ( x , y ) , {\displaystyle {\mathcal {L}}(x,y,\lambda )=f(x,y)-\lambda \cdot g(x,y),} {\displaystyle {\mathcal {L}}(x,y,\lambda )=f(x,y)-\lambda \cdot g(x,y),}

λ dapat ditambahkan atau dikurangi. Jika f(x0, y0) adalah nilai maksimum f(x, y), maka terdapat λ0 sehingga (x0, y0, λ0) adalah titik stasioner untuk fungsi Lagrange. (titik stasioner adalah titik engan turunan parsial L {\displaystyle {\mathcal {L}}} {\displaystyle {\mathcal {L}}} yang bernilai nol). Namun, tidak semua titik stasioner menghasilkan solusi untuk masalah awalnya. Maka dari itu, metode pengali Lagrange menghasilkan kondisi yang diperlukan untuk optimalitas dalam masalah yang terbatasi.[2][3][4][5][6]

Untuk kasus umum dengan jumlah n (variabel) yang sembarang dan jumlah M (batasan) yang sembarang, bentuk Lagrangenya adalah:

L ( x 1 , … , x n , λ 1 , … , λ M ) = f ( x 1 , … , x n ) − ∑ k = 1 M λ k g k ( x 1 , … , x n ) , {\displaystyle {\mathcal {L}}\left(x_{1},\ldots ,x_{n},\lambda _{1},\ldots ,\lambda _{M}\right)=f\left(x_{1},\ldots ,x_{n}\right)-\sum \limits _{k=1}^{M}{\lambda _{k}g_{k}\left(x_{1},\ldots ,x_{n}\right)},} {\displaystyle {\mathcal {L}}\left(x_{1},\ldots ,x_{n},\lambda _{1},\ldots ,\lambda _{M}\right)=f\left(x_{1},\ldots ,x_{n}\right)-\sum \limits _{k=1}^{M}{\lambda _{k}g_{k}\left(x_{1},\ldots ,x_{n}\right)},}

sekali lagi optimum f yang terbatasi sama dengan titik stasioner L . {\displaystyle {\mathcal {L}}.} {\displaystyle {\mathcal {L}}.}

Catatan kaki

  1. ↑ Mécanique Analytique sect. IV, 2 vols. Paris, 1811 https://archive.org/details/mcaniqueanalyt01lagr
  2. ↑ Bertsekas, Dimitri P. (1999). Nonlinear Programming (Edisi Second). Cambridge, MA.: Athena Scientific. ISBN 1-886529-00-0.
  3. ↑ Vapnyarskii, I.B. (2001) [1994], "Lagrange multipliers", dalam Hazewinkel, Michiel (ed.), Encyclopedia of Mathematics, Springer Science+Business Media B.V. / Kluwer Academic Publishers, ISBN 978-1-55608-010-4.
  4. ↑
  5. ↑ Hiriart-Urruty, Jean-Baptiste; Lemaréchal, Claude (1993). "XII Abstract duality for practitioners". Convex analysis and minimization algorithms, Volume II: Advanced theory and bundle methods. Grundlehren der Mathematischen Wissenschaften [Fundamental Principles of Mathematical Sciences]. Vol. 306. Berlin: Springer-Verlag. hlm. 136–193 (and Bibliographical comments on pp. 334–335). ISBN 3-540-56852-2. MR 1295240.
  6. ↑ Lemaréchal, Claude (2001). "Lagrangian relaxation". Dalam Michael Jünger and Denis Naddef (ed.). Computational combinatorial optimization: Papers from the Spring School held in Schloß Dagstuhl, May 15–19, 2000. Lecture Notes in Computer Science. Vol. 2241. Berlin: Springer-Verlag. hlm. 112–156. doi:10.1007/3-540-45586-8_4. ISBN 3-540-42877-1. MR 1900016.
Ikon rintisan

Artikel bertopik matematika ini adalah sebuah rintisan. Anda dapat membantu Wikipedia dengan mengembangkannya.

Konten disalin dari Wikipedia Bahasa Indonesia (lisensi CC BY-SA) Lihat versi asli di Wikipedia

Rekomendasi Pilihan