Multidimensional Search

Metode Steepest Descent

Metode Newton
 Multidimensional Search
 Diberikan NLP n peubah tanpa kendala
min f(x), x Є S
Metode penyelesaian:
 diberikan titik xk
 cari vektor arah dk
 cari besar langkah t yang membuat f(xk + λdk) minimum
 xk+1= xk + λdk
 Metode Penyelesaian
 Tanpa turunan: cyclic coordinate, Hooke and Jeeves
 Dengan turunan: steepest descent/ascent, Newton
Steepest Descent
Direction
Contoh Steepest Descent
Contoh Steepest Descent
Contoh Steepest Descent
Starting point x=(0, 3)  = 0.1
Contoh Steepest Descent
Steepest Descent
 Kelebihan
 Konvergen
 Cepat pada awalnya (greedy)
 Kekurangan
 Zig zag
Metode Newton
Contoh Metode Newton
Contoh Metode Newton
Metode Newton
 Kelebihan
 Tingkat konvergensi kuadratik
 Untuk fungsi yang kuadratik, dapat konvergen hanya dengan
satu iterasi.
 Tidak memerlukan line search parameter

 Kelemahan
 Belum tentu konvergen