.

METODE SOLUSI LANGSUNG SOLUSI MODEL PROGRAM STOKASTIK

GANDA NONLINEAR

TESIS

Oleh
ILYAS
TANJUNG
207021006/MT

PROGRAM STUDI MAGISTER

MATEMATIKA FAKULTAS MATEMATIKA DAN
ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA
UTARA MEDAN
2023
 2

BAB I. PENDAHULUAN

1. Latar belakang

Ada banyak ketidakpastian di planet bumi saat ini, namun pengambil keputusan

harus mengambil keputusan bahkan dalam kondisi seperti itu. Masalah keputusan sering kali

dirumuskan sebagai masalah optimasi, sehingga dalam banyak situasi pengambil keputusan

ingin menyelesaikan masalah optimasi yang bergantung pada parameter

yang tidak diketahui. Jika ketidakpastian ini tidak dipertimbangkan dalam model solusi,

maka keputusan yang diambil mungkin jauh dari nilai optimal atau bahkan tidak mungkin

dilaksanakan..

Pada permasalahan didalam system Transportasi kepastian ini bisa timbul pada variasi

antara permintaan actual yang berhubungan dengan sumber daya transportasi dan ramalan

permintaan ,perubahan random dalam daya tampung .permasalahan-permasalahan ini yang

menyebabkan system transportasi rusak atau tidak berjalan atau bisa berada pada titik minus.

Program stokastik berasosiasi dengan optimasi pengambilan keputusan dengan

hadirnya ketidakpastian dalam suatu data permasalahan yang diperoleh dari suatu masa ke

masa berikutnya .jenis pokok kajian adalah permasalahan optimasi random yang mana produk

dari data random tidak terekspos pada masa berjalan dan kepastian yang akan dioptimalkan

tidak harus memperhitungkan produk masa yang akan dating (non-antisipasi).perkara ini
 3
menyampaikan koneksi yang melekat dengan optimasi ‘real time’yang merupakan kepastian

optimal pada permasalahan ini dan ‘sekarang’ dalam suatu domain data yang tak komplit (tak

utuh) seumpama penjelasan probabilistic tersuguh ,model operasional yang sesuai untuk

optimisasi “real time” bisa dirumuskan sebagai program stokastik tahap ganda.dengan kondisi

mendasar model ini disodorkan untuk menmgambil alih model deterministic,dimana koefisien

atau parameter yang tidak diketahui merupakan nilai random dengan adanya asumsi sebaran

peluang bebas dari variable kepastian.

Pemrograman stokastik nonlinier (PSTL) mewakili kelas masalah

optimasi stokastik. Pola seperti ini sering terlihat dalam kehidupan nyata. Banyak sistem

alam yang mempunyai pola model non linear ,sehingga diperlukan metode pemograman

nonlinear untuk menentukan optimasi. Faktor lain yang tampaknya normal adalah

ketidakpastian. Dapat dikatakan bahwa parameter sistem jarang diketahui

secara pasti. Parameter ini sering kali menghasilkan rentang nilai tertentu atau, dalam

beberapa kasus, dalam distribusi probabilitas. Untuk permasalahan yang melibatkan

ketidakpastian, metode pemrograman stokastik harus digunakan..

Terkadang masalah optimasi keputusan seperti itu berisi variabel yang nilainya

harus berupa bilangan bulat atau bilangan biner (0 atau 1). Oleh karena itu, jika kita

memberikan kondisi perhitungan variabel keputusan, model pemrograman stokastik nonlinier

ini disebut program stokastik nonlinier (PSCTL). Model program stokastik yang dipelajari

pada artikel ini adalah program stokastik bilangan campuran non-linier (PSCCTL), artinya

selain variabel bilangan bulat yang diperlukan, ada juga variabel yang dapat mempunyai nilai

Sebagian besar kegunaan PSCCTL berada di bidang proses sistem teknis. Gambaran

umum bidang rekayasa proses dapat ditemukan dalam publikasi Diwekar (2003)

dan Sahinidis (2004). Digunakan dalam proses sintetik jaringan air terpadu (Karuppiah dan

Grossmann, 2008). Kegunaan lain termasuk proses jaringan perusahaan (Rya et al.,
 4
2004), tugas perencanaan dan penjadwalan (Jung et al., 2004; Lin et al., 2004), aplikasi

lingkungan (Diwekar, 2003, 2005; Kreawangkang dan Hirao, 2004) . ; Aman dan

Mawengkang, 2008), aplikasi di sektor keuangan (Bastin et al., 2007; Mawengkang,

2007), aplikasi di bidang perikanan (Albornoz dan Canales, 2006;

Mawengkang, 2007) dan terapan di jaringan transportasi ( Liu

dkk., 2009). Model permasalahan PSCCTL yang diusulkan dalam penelitian ini dapat

dituliskan dalam bentuk berikut.

min f 1 ( x)  Q( x)
x

g 1 ( x)  0,
h1 ( x)  0,
(1)
1
g :R nZ1
R , me

h : R  R mi ,
1 n1

x  Z n1 .
dimana
Q( x)  E Q ( x,  ( w))
Q( x,  ( w))  min f 2 ( y ( w), w)
y

g 2 ( x, y ( w), w)  0
h 2 ( x, y ( w), w)  0 (2)
n1  n2
2
g :R   R ye

n1  n2
h :R    R yi
2

y Y
 adalah ruang probabilitas yang dilengkapi dengan -aljabar F dan ukuran probabilitas. 

adalah variabel acak yang ukuran probabilitasnya ada, dan f1, f2, g1, g2, h1, h2 merupakan fungsi

non linier. x menyatakan variabel fase awalnya, sedangkan y(w) menyampaikan peubah fase

kedua. Kumpulan Y merupakan gabungan dari dua himpunan bagian YR dan YZ, dengan

YR  Rn2 dan YZ  Z n2 . Maka pada model di atas, beberapa peubah fase kedua (yang diindeks

oleh himpunan YZ) dipersyaratkan mengambil nilai cacah.

 5

Fitur utama dari model pemrograman stokastik dua tahap adalah adanya mekanisme proteksi.

Seri terakhir dibagi menjadi dua subkelompok. Beberapa keputusan harus dibuat sebelum

masalah dapat diparameterisasi: ini adalah keputusan tahap pertama dan dibuat pada tahap

pertama. Ketika ketidakpastian muncul, keputusan lain dapat diambil. Keputusan regresi

merupakan fungsi dari realisasi aktual dari parameter yang tidak pasti dan keputusan tahap

pertama. Urutan peristiwa seperti itu menjadi ciri model sebagai model regresi..

Ada beberapa hal yang perlu diperhatikan dalam permasalahan PSCCTL dua langkah,

yaitu konveksitas dan kontinuitas. Hal ini terutama disebabkan oleh

\persyaratan komputasi. Jika variabel count hanya ada pada

langkah pertama, properti fungsi jaringan sama seperti pada kasus kontinu. Untuk

kausalitas nonlinier kontinu, jika f, h cembung dan g affine untuk semua ξ, maka

permasalahannya cembung. Ketika persyaratan komputasi muncul pada

langkah kedua, fungsi regresi biasanya tidak cembung bahkan

dalam kasus linier. Kompleksitas pengukuran bergantung pada jumlah skenario.

.
Ekspektasi pada (1.2) melibatkan integrasi multidimensi. Untuk mengatasi masalah

ini, ketidakpastian biasanya dinyatakan sebagai perkiraan distribusi

sampling. Namun, keakuratan pemodelan menyebabkan peningkatan dimensi

program optimasi. Hal ini meningkatkan keterbatasan pemodelan program stokastik dan

metode solusinya masih dalam tahap awal..

Adanya taksiran ruang probabilitas diskrit berdampak fungsi tujuan dapat dituliskan

sebagai bilangan berhingga dan konstrain direplikasikan untuk setiap elemen ω. Tebak itu?

adalah distribusi probabilitas diskrit ω = 1, . . . , S dimana P (ξ = xii) = πi. Jadi problema dapat

ditulis lagi dalam bentuk :

 6
S
min f 1 ( x)    s f 2 ( x, y,  s )
s 1

g ( x)  0
1

h1 ( x)  0
hs2 ( x, ys ,  s )  0 s  1, ,S (3)
g ( x, y s ,  s )  0
2
s s  1, ,S
x  Z , ys  Ys
n1
 s  1, ,S
g :R R
1 n1 me
h : R  R mi
1 n1

g 2 : R n1  n2  R te h 2 : R n1  n2  R ti , s  1, S
dimana s menyatakan probabilitas bahwa skenario s terjadi. Formulasi deterministik ekivalen

ini merupakan suatu problema program bilangan cacah tak linier berskala besar dengan n1+ n2s

variabel dan me + mi + tes + tis kendala tak linier.

Sebab adanya persyaratan cacah, fungsi recourse umumnya tak konveks dan tak kontinu

(lower semi-continuous). Metode Branch and Bound, yang biasa digunakan dalam

menyelesaikan persoalan program bilangan cacah linier, tidak dapat diterapkan pada kondisi

lower semi-continuous, karena akan terdapat tak berhingga sub problema yang dibutuhkan

sehingga batas bawah dan batas atas menjadi sama. Dampaknya terminasi berhingga dari

algoritma ini tidak terjamin.

2.Rumusan Masalah

Karena persyaratan komputasi, fungsi regresi biasanya non-cembung dan non-kontinu (semi-

kontinu rendah). Metode Branch and Bound yang sering digunakan untuk

menyelesaikan permasalahan pemrograman bilangan bulat linier, tidak

dapat diterapkan pada kondisi semikontinu bawah karena diperlukan submasalah

yang jumlahnya tak terhingga untuk menyamakan batas bawah dan

batas atas. Akibatnya, penyelesaian akhir dari algoritma ini tidak dijamin..

3. Tujuan Penelitian
 7

Tujuan pelaksanaan dari penelitian ini adalah sebagai berikut :

- Pengutaraan suatu metode baru dalam menyelesaikan Program Stokastik Cacah

Campuran Tak Linier secara global

- Menyajikan alat untuk mensuport proses pengambilan kesimpulan yang memuat

ketidakpastian, contohnya , dalam bidang manajemen energi.

3. Manfaat
- Menghadirkan konteks elementer untuk penelitian lebih lanjut pada ranah yang terkait ,antara

lain, metode dalam menyelesaikan Program Stokastik Cacah Murni Fase-Ganda, Ala

penyusunan Skenario yang efektif, Keseimbangan produk penyelesaian, Menghandel Program

Stokastik Tak-Linier.
 8

BAB II. TINJAUAN PUSTAKA

.

Minat para peneliti dalam memecahkan program stokastik komputer (PSC) relatif

baru. Klein-Haneveld, Stougie, dan van der Vlerk

(1996) mengusulkan metode solusi PSC dua fasa dengan menggunakan

metode sederhana. Karena struktur khusus kuadrat, pendekatan mereka didasarkan pada

pembentukan himpunan fungsi nilai kuadrat cembung. Laporte dan Louveaux (1993)]

mengusulkan pendekatan berbasis dekomposisi untuk PSC ketika variabel orde pertama dan

kedua adalah biner. Mereka mengusulkan metode cabang-dan-terikat di mana

optimalitas irisan mendekati nilai fungsi orde kedua non-cembung dari

solusi biner orde pertama yang dihasilkan. Sen dan Higle (2003) mengembangkan algoritma

berbasis dekomposisi untuk menyelesaikan masalah PSC dua tahap, yang berfokus pada

dekomposisi antara variabel komputasi pada tahap pertama dan kedua. Sheralli dan Fraticelli

(2002) mengulas pendekatan terkait dimana teknik reformulasi-linearisasi

digunakan dalam metode dekomposisi.

Caroe (1999) menggunakan partisi skenario Rockafellar dan Wets

(1991) untuk mengembangkan algoritma cabang-dan-terikat untuk

mengimplementasikan PSC dua tahap. Batas bawah yang diperoleh dari pasangan Lagrangian

diperoleh dengan menduplikasi batas non-prediktif. Submasalah ganda Lagrangian

terkait dengan skenario dan berisi variabel dan batasan tahap pertama dan

kedua. Submasalah ini lebih sulit dipecahkan dibandingkan metode yang didasarkan pada

dekomposisi Benders. Selain itu, meskipun Lagrange dual memberikan lompatan

 9
yang ketat, solusinya memerlukan penggunaan metode subgradien

dan menyebabkan kesulitan komputasi. Ahmed dkk. (2003)

juga mengusulkan algoritma cabang-dan-terikat untuk PSC dua tahap dengan variabel

campuran pada tahap pertama dan variabel murni yang dapat dihitung pada tahap

kedua. Mereka menggunakan transformasi yang memanfaatkan struktur khusus

yang dihasilkan dari matriks kontrol tetap PSCC dua fase. Takriti, Birge, dan Long (1996)

mengusulkan metode relaksasi Lagrangian untuk menyelesaikan PSC dua fase.

Schultz dkk (1998) mengusulkan formulasi akhir untuk pemrograman stokastik dua fase

dengan distribusi diskrit dan variabel orde kedua yang dihitung secara murni. Dalam soal ini,

mereka menemukan bahwa hanya nilai terhitung dari parameter yang tepat yang bermakna.

Fakta ini digunakan untuk mengidentifikasi himpunan terkomputasi, yang disebut himpunan

kandidat, dalam ruang variabel orde pertama yang berisi solusi optimal. Pada formulir utama

dilakukan pencacahan lengkap terhadap himpunan calon untuk mencari solusi optimal.

Memperkirakan elemen himpunan memerlukan penyelesaian submasalah kalkulus kuadrat

yang berhubungan dengan semua kemungkinan realisasi parameter yang tidak pasti. Oleh

karena itu, penghitungan eksplisit semua elemen biasanya tidak dapat dilakukan secara

komputasi. Erlinawaty dan Mawengkang (2006) mengembangkan pencarian lingkungan yang

layak untuk menerapkan PSC dua tahap dalam menyelesaikan model optimalisasi portofolio..

Riset yang dilakukan dalam program stokastik cacah campuran (PSCC) tahap ganda

sebegitu jauh masih agak kurang. Lokketangen dan Woodruff (1993) mengaplikasikan

heuristik dalam mana algoritma lindung nilai (hedging) progresif digabung dengan pencarian

Tabu untuk menyelesaikan PSCC dengan peubah biner. Mawengkang (2002) juga mengajukan

heuristik harga ambang yang mengeksploitasi struktur problema dengan adanya nilai ambang

resiko (Value at risk) untuk menyelesaikan PSCC dalam optimisasi finansial. Caroe dan
 1
0
Schultz (1999) mengusulkan relaksasi Lagrange untuk dipakai dalam algoritma branch and

bound terhadap PSCC tahap ganda. Namun hasil komputasinya terbatas pada problema dua-

tahap. Schultz dan Tiedemann (2003) mengkaji sifat kontinuitas dari fungsi objektif terhadap

keputusan tahap pertama dan mengintegrasi ukuran probabilitas untuk selanjutnya

mereformulasi PSCC dua-tahap menjadi program bilangan cacah campuran linier apabila

sebaran probabilitasnya diskrit dan berhingga. Algoritma Branch and Price diajukan oleh Lulli

dan Sen (2003) untuk menyelesaikan problema PSCC tahap ganda yang memiliki struktur

khusus. Huang dan Ahmed (2005) ] mengeksploitasi sub-struktur tertentu problema

perencanaan kapasitas dan kemudian mengembangkan skema pendekatan efisien untuk

menyelesaikan problema PSC tahap ganda.

Penggunaan Metode Pendekatan rata-rata sampel (PRS) telah diusulkan oleh Ahmed

dan Shapiro (2002) untuk menyelesaikan program stokastik dengan rcourse cacah. Gagasan

Pokok dari pendekatan PRS untuk menyelesaikan program stokastik adalah sebagai berikut:

suatu sampel  1 , ,  n dari N realsisasi vektor acak  ( w) dibentuk dan dampaknya ekspektasi

fungsi nilai E[Q( x,  ( w))] diestimasi oleh fungsi rata-rata sampel N 1  n1 Q( x,  n ) .
N

Aproksimasi rata-rata sampel yang diperoleh.

 N

min  gˆ N ( x)  cT x  N 1  Q( x,  n ) 
xX
 n 1 
dari program stokastik kemudian diselesaikan oleh algoritma optimisasi deterministik.

Pendekatan ini (dan variannya) juga dikenal dengan beberapa nama lain, seperti

metode ekuivalen stokastik (Rubinstein dan Shapiro (1990)) dan metode optimasi

pengambilan sampel jalur (Plambeck et al. (1996) dan masing-masing pelaporan nilai optimal

dan optimal. solusi masalah PRS, kemudian masing-masing melaporkan nilai optimal

dan solusi optimal terhadap masalah awal.

 1
1
Goyal dan Ierapetritou (2007) mengusulkan metode solusi PSC-CTL dengan menggunakan

pendekatan sederhana. Pendekatan mereka merupakan kombinasi pendekatan sederhana dari

Goyal dan Ierapetritou (2004a, 2004b) dan PRS. Pada setiap iterasi algoritma berbasis

simpleks, prosedur PRS diterapkan pada semua submasalah stokastik linier dan permasalahan

stokastik bilangan campuran linier. Pendekatan ini harus menyelesaikanprogram stokastik

linier yang juga bergantung pada jumlah skenario..

BAB 3
METODE PENELITIAN
 1
2
III.1. Model Dasar Program Stokastik

Kasus khusus dari program stokastik adalah Model antisipatif dan adaptif . Kombinasi dari
kedua Model ini melahirkan model rekursif , Model rekursif merupakan pusat dari penelitian
ini

III.1.1.Model Antisipatif

Model Antisipatif ini disebut juga sebagai model statis, dimana keputusan tidak bergantung
pada pengamatan dimasa depan , Perancanaan yang baik harus memperhitungkan semua
kemungkinan realisasi masa depan, karena tidak mungkin memperbaharui keputusan di
kemudian hari
Dalam model antisipatif kelayakan dinyatakan dalam kendala probabilistik. Misalnya,
tingkat keandalan α dengan 0 < α ≤ 1, dinyatakan dan kendala ditulis dalam bentuk
P { w | fj (x, w) = 0, j = 1, 2, ... , n} ≥ α
Disini x adalah vector peubah keputusan m dimensi dan f i : R m x  R, j  1,, n . Fungsi
objektif juga dapat bertipe keandalan seperti P{w | f 0 ( x, w)   } , dimana
f 0 : R m x  R  {} dan  konstanta.
Model antisipatif ini memilih kebijakan yang memenuhi karakteristik kendala yang
diperlukan dan fungsi objektif.

III.1.2. Model Adaptif

Dalam model Adaftif ini , informasi yang dikaitkan dengan ketidakpastian muncul secara

parsial sebelum pengambilan keputusan, jadi optimisasi terjadi dalam lingkungan

pembelajaran. Andaikan A koleksi dari semua informasi relevan yang tersedia melalui

pengamatan yang merupakan sub-gelanggang dari semua kejadian yang mungkin. Keputusan

x tergantung pada kejadian yang dapat diamati, dan x disebut A teradaptasi atau A terukur.

Program stokastik adaptif dapat diformulasikan sebagai

min E[ f 0 ( x( w), w) | A]
Kendala E[ fj( x( w), w) | A]  0, j  1,2,, n (1)
x( w)  X , hampir pasti

Pemetaan x :   X adalah sedemikian hingga x (w) merupakan A terukur. Persoalan ini

dapat disajikan dengan menyelesaikan untuk setiap w program deterministik berikut :
min E[ f 0 ( x,.) | A]( w)
Kendala E[ fj( x,.) | A]( w)  0, j  1,2,, n (2)
x X

.
 1
3
Kasus ekstrimnya ada dua,yaitu informasi lengkap dan tidak ada informasi.Dalam kasus

pertama model menjadi model antisipasif,kasus kedua dikenal sebagai model distribusi.Hal ini

paling menarik ketika hanya sebagian informasi yang tersedia

III.1.3. Model Recourse

Model ini memadukan dua model yang disebutkan sebelumnya yang bertujuan untuk

menentukan kebijakan yang tidak hanya memperkirakan observasi di kemudian hari, namun

juga mempertimbangkan informasi yang ada untuk membuat keputusan berulang. Misalnya,

seorang manajer portofolio memperhatikan pergerakan saham di kemudian hari (forecasting),

namun juga menyeimbangkan posisi portofolio ketika harga berubah (adaptasi). Masalah

pemrograman stokastik dua langkah rekursif dapat ditulis dalam bentuk

min f ( x)  E[Q( x, w)]

Kendala Ax  b (3)
x  RM 0
x adalah keputusan antisipatif tahap pertama yang diambil sebelum variabel random
terobservasi dan Q ( x, w) merupakan nilai optimalnya, untuk sembarang , dari program tak
linier:
min  ( y, w)
Kendala W ( w) y  h( w)  T ( w) x (4)
y  RM1
dengan y keputusan adaptif tahap kedua yang tergantung pada realisasi vektor random fase

pertama,  ( y , w) merupakan fungsi biaya fase kedua, dan {T ( w), W ( w), h( w) | w  } adalah

parameter model dengan dimensi tertentu. Parameter-parameter ini merupakan fungsi dari

vektor random w dan karena itu merupakan parameter acak. T adalah matriks teknologi yang

mengandung koefisien teknologi yang mengubah keputusan fase pertama x menjadi sumber

daya untuk persoalan tahap kedua. W adalah matriks recourse dan h vector sumber daya fase

kedua.

Secara umum model recourse dua tahap dapat di rumuskan sebagai

(5)
 1
4
min f ( x)  E  minM1{ ( y, w) | T ( w) x  W ( w) y  h( w)}
 yR 
Kendala Ax  b
x  RM 0

Dari bentuk program stokastik perlu disusun model deterministik yang senilai sehingga mudah
terselesaikan.

III.2. Formulasi deterministik ekivalen

Tersaji model program stokastik linier berikut

min g 0 ( x,  ) 

s.t. gi ( x,  )  0, i  1, , m,  (6)

x X  , n

debgan  vektor random yang bermacam-macam pada kumpulan   k . Lebih pastinya
lagi, dimisalkan bahwa keluarga (family) F dari “kejadian”, yaitu kumpulan bagian dari ,
dan sebaran peluang P pada F diketahui. Jadi untuk semua kumpulan bagian A   yang
merupakan kejadian-kejadian, yaitu A  F, peluang P(A) diketahui. Selanjutnya, dimisalkan
bahwa fungsi gi ( x, ) :   x, i merupakan variabel random dan sebaran peluang P adalah
bebas.

Namun, problema (6) tidak “well defined” karena pengertian “min” dan juga konstrain tidak
clear, jika yang diperhitungkan adalah nilai keputusan x sebelum mengetahui realisasi dari 
. Karena itu revisi pada proses pemodelan perlu dilaksanakan, yang akan memproduksi model
deterministik ekivalen untuk (6).
 1
5

BAB 4
Mekanisme Formulasi

Penyusunan model analogi terhadap program stokastik linier dengan recourse, untuk
problema (6) dilaksanakan dengan cara berikut.. Ambil
 0 jika gi ( x,  )  0,
gi ( x,  )  
 gi ( x,  ) selainnya,
Kendala ke i dari (6) dilanggar jika dan hanya jika gi ( x,  )  0 untuk suatu keputusan x dan
realisasi  dari  . Di sini dapat diberikan untuk semua konstrain suatu recourse atau kegiatan
fase-kedua yi ( ) ,setelah observasi realisasi  , dipilih sehingga memperhitungkan
pelanggaran konstrain – jika ada – dengan melengkapi gi ( x,  )  yi ( )  0 . Daya upaya ini
diandaikan menyebabkan penambahan biaya atau denda qi per kompnen, jadi biaya tambahan
ini (disebut fungsi recourse) berjumlah

m 
Q( x,  )  min  qi yi ( ) | yi ( )  gi ( x,  ), i  1, , m (7)
y
 i 1 

Yang memproduksi biaya keseluruhan –fase pertama dan biaya recourse

 1
6
f0 ( x,  )  g0 ( x,  )  Q( x,  ) (8)

Lebih dari itu (7), bisa dipertimbangkan suatu program linier recourse pada konteks yang sama
dengan suatu recourse vektor y( )  Y  n , (Y Kumpulan polyhedral, seperti {y | y  0}),
suatu sembarang fixed m  n matrix W ( matriks recourse ) dan vektor komponen biaya
q  n , memproduksi untuk (8) fungsi recourse


Q( x,  )  min qT y | Wy  g  ( x,  ), y  Y
y
 (9)

dengan g  ( x,  )   g1 ( x,  ), 
T
, g m ( x,  ) .

Cermati suatu pabrik memproduksi m produk, gi ( x,  ) bisa dipahami sebagai perbedaan

{permintaan}-{output} produk i. Maka gi ( x,  )  0 berarti bahwa terdapat kekurangan dalam

produk i, relatif pada permintaan. Dengan memisalkan bahwa pabrik komit untuk melengkapi

permintaan, persoalan (7) misalnya dapat ditafsirkan sebagai membeli kekurangan produk i di

market. Persoalan (9) bisa diproduksi dari program produksi fase-kedua atau darurat, yang

dilaksanakan dengan faktor input y dan teknologi disajikan oleh matriks W. Jika dipilih W=I,

m  m identitas matriks, (7) menjadi kasus khusus dari (9).

Akibatnya juga bisa dimaksudkan program recourse nonlinier untuk mendefinisikan fungsi
recourse pada (8); misalnya, Q ( x,  ) dapat dipilih sebagai


Q( x,  )  min q( y ) | H i ( y )  g i ( x,  ), i  1, , m; y  Y  n
, (10)

dengan q : n  dan H i : n  diandaikan diketahui.

Dalam kasus aplikasi, pengambil keputusan yang menghendaki meminimumkan nilai
ekspektasi biaya keseluruhan (yaitu, fase pertama dan biaya recourse), cukup memperhatikan
rumusan deterministik senilai , program stokastik dua-fase dengan recourse

xX xX

min E f 0 ( x,  )  min E g 0 ( x,  )  Q( x,  ) .  (11)

Persoalan dua-fase yang diutarakan diatas dapat dikembangkan terhadap program recourse
fase-ganda sebagai berikut: di samping dua keputusan x dan y, harus diambil ditahap 1 and 2,
sekarang persoalan dikedepankan dengan K+1 keputusan sequensial x0 , x1 , , xK ( x  n ) ,
yang mesti diambil pada fase   0,1, , K . Kata “fase” bisa, tapi tidak perlu, diartikan
sebagai “periode waktu”.
 1
7
Andaikan untuk penyederhanaan bahwa objectif dari (6) deterministik, yaitu, g0 ( x,  )  g0 ( x)
. Pada fase  (  1) diketahui realisasi 1 , ,  dari vektor acak 1 , ,  dan keputusan
sebelumnya x0 , , x 1 , harus diputuskan terhadap x sehingga konstrain (dengan fungsi
konstrain g )

g ( x0 , , x , 1 , ,   0)

dilengkapi, yang pada fase ini hanya bisa didapatkan oleh pemilihan tepat x , yang
dilandaskan pada pengetahuan keputusan dan realisasi terdahulunya. Jadi, dengan
mengandaikan fungsi biaya q ( x ), pada fase   1 diperolah fungsi recourse
Q  ( x0 , x1 , , x 1 , 1 , ,  )  min q ( x ) | g ( x0 , x1 , , x 1 , 1 , ,  )  0
x

Yang mengidentifikasikan tindakan optimal recourse x̂ pada waktu τ tergantung pada
keputusan terdahulunya dan realisasi yang diobservasi hingga fase τ , yaitu,

xˆ  xˆ ( x0 , , x 1 , 1 , ,  ),  1

Maka, untuk fase ganda, didapatkan sebagai total biaya untuk problema fase-ganda

K
f 0 ( x0 , 1 , ,  K )  g 0 ( x0 )   E1 , ,
Q ( x0 , xˆ1 , , xˆ 1 , 1 , ,  ) (12)
 1

memproduksi deterministik senilai for problema program stokastik fase ganda dengan
recourse

 K

min  g0 ( x0 )   E1 , ,
Q ( x0 , xˆ1 , , xˆ 1 , 1 , ,  )  (13)
x0 X
  1 

Jelas merupakan generalisasi langsung dari program stochastik dua-fase dengan recourse (11).

4. 2 Pohon Skenario

Dalam banyak penerapan, distribusi variable random tidak diketahui atau bahkan jika diketahui
,terlalu mahal untuk mempertimbangkan distribusi diskrit dengan banyak kemungkinan hasil
atau memperlakukan distribusi kontiniu dengan integrasi numeric. Untuk merepresentasikan
peristiwa acak ,biasanya dipilih kumpulan hasil tipikal relative kecil yang disebut scenario,
diberi nilai probabilitas yang mencerminkan probabilitas realisasinya.Dalam model bertingkat
,informasi pemandangan dapat disusun sebagai struktur pohon

Gambar 1, memberikan contoh pohon skenario untuk persoalan 4 tahap.

 1
8

Thread ROOT mewakili waktu saat ini atau bagian dari informasi yang diketahui. Ada 4 opsi

berbeda di tahap 2 dan masing-masing memiliki kemungkinan hasil berbeda di tahap 3 dan

seterusnya.Skenario terdiri dari jalur lengkap dari simpul akar ke simpul daun

yang mendefinisikan implementasi tunggal dari sekumpulan variabel acak.

Ambil jumlah fase T dan jumlah produk yang mungkin dalam semua fase dapat dilabel secara

berurutan oleh Kt , kt = 1,…,Kt untuk semua t. Dt (k) menyatakan turunan langsung dalam

waktu t dari buhul k. Misalnya dalam pohon skenario di Gambar 1. D3 (1) memperlihatkan

turunan langsung dari buhul 1 yang merupakan dua buhul paling kiri dalam waktu 3. Untuk

setiap buhul daun k dalam fase T, misalkan Pkt adalah probabilitas terkait dari keterjadian

skenario. Untuk t = T-1, -------1, pkt diberikan oleh

pk t+1 = lεDt+1 plt+1

dengan pl = 1
Pohon keputusan memberikan fleksibilitas kepada pemodel dalam memilih skenario yang
diperlukan untuk diperhatikan dan kepentingannya. Juga tidak praktis untuk memperhatikan
terlalu banyak skenario. Hal ini terutama berlaku untuk soal yang mengandung banyak faktor
acak.
4. 3 Pembentukan Skenario

4.3.1. Beberapa Pengertian

 1
9
Masalah pengambilan keputusan sekuensial multistage muncul dalam berbagai

aplikasi, yaitu keuangan (Carino et.al, 1998), sistem produksi (Boskma et.al, 1977),

pembangkit listrik (Nowak dan Romisch, 2000) dan banyak lainnya. Ketidakpastian dalam data

(misalnya harga, harga permintaan, ketersediaan) dipadukan dengan perubahan data secara

berurutan dari waktu ke waktu akan memproduksi model pengoptimalan dengan

ketidakpastian berurutan. Model tersebut dapat berupa salah satu dari berikut ini: i) program

stokastik multistage (PSTG) atau ii) program dinamis stokastik (misalnya proses pengambilan

keputusan Markov). Meskipun pemrograman dinamis stokastik (PDS) mungkin merupakan

pendekatan yang tepat dalam situasi tertentu, sebagian besar aplikasi realistis memerlukan

sejumlah besar variabel keadaan, sehingga sulit dikumpulkan oleh PDS secara efisien. Untuk

aplikasi realistis berskala besar dengan banyak variabel dan batasan keadaan, PSTG

menyediakan alat pemodelan yang sesuai. Namun perkembangan PSTG saat ini adalah

keterbatasan komputasinya. Salah satu asumsi model PSTG adalah diskritisasi proses stokastik

yang merepresentasikan perubahan data secara acak. Meskipun variabel acak yang membentuk

proses ini bersifat kontinu, PSTG harus diselesaikan secara numerik, yang memerlukan

variabel acak diskrit (pada kenyataannya, variabel tersebut hanya dapat mempunyai jumlah

hasil yang terbatas); Proses diskrit ini dapat diwakili oleh pohon adegan dan biasanya

merupakan proses kontinu diskrit atau kumpulan proses diskrit..

Ada pendekatan sains dan seni terhadap diskritisasi/agregasi proses pengembangan

data. Sains muncul dalam pendekatan yang didasarkan pada proses evolusi data; Seni ini

berasal dari pemahaman bahwa diskritisasi terperinci menghasilkan masalah yang tidak

mungkin dilakukan secara numerik, sedangkan diskritisasi kasar menghasilkan model yang

dapat dipertanyakan tentang peristiwa-peristiwa penting. Menemukan keseimbangan yang

tepat tidaklah mudah. Pendekatan ilmiah terhadap pembuatan skenario dapat diidentifikasi

sebagai dua pendekatan yang terkait. Yang pertama didasarkan pada perkiraan statistik
 2
0
(misalnya koreksi momen/target seperti dalam Hoyland dan Wallace, 2001) dan yang lainnya

didasarkan pada teori perkiraan (seperti dalam Pflug (2000) dan Growe-Kuska et.al (2000)).

Saat membuat skenario, menjadi jelas dalam komunitas pemrograman stokastik bahwa pohon

skenario harus memperhitungkan peristiwa kecil yang acak dan memakan biaya (terkadang

disebut bencana). Sayangnya, indikator kualitas sulit diukur dan diterapkan..

Dalam praktiknya, PSTG (misalnya, P) bisa menjadi terlalu besar meskipun

diselesaikan dengan algoritma terbaik pada komputer tercepat, sehingga pendekatan yang

digunakan dalam literatur pemrograman stokastik adalah mengganti masalah P dengan masalah

lain yang dirumuskan untuk menggantikan masalah sebenarnya. . Proses stokastik mendasari

P dengan pendekatan berbutir kasar. Pendekatan yang digunakan dalam artikel ini didasarkan

pada pendekatan PSTG (yang lebih tepat), dinyatakan sebagai serangkaian pendekatan Pk ke

P, mendekati masalah keputusan daripada hanya berfokus pada pendekatan proses stokastik

yang mendasari masalah keputusan. Pandangan ini telah diterapkan pada pemrograman linier

stokastik dua tahap (PLS) (misalnya, Fauendorfer dan Kall (1988) dan Edirisinghe dan Ziemba

(1996), dll. Namun, memperluas gagasan ini ke pemrograman stokastik linier multi-tahap

(PSLTG) telah belum pernah Meskipun pendekatan ini mengarah pada perkiraan yang

konvergen secara asimtotik, batas atas memerlukan penyelesaian PSLTG pada setiap iterasi,

sehingga menghasilkan komputasi yang cukup ekstensif pada setiap iterasi. Sepengetahuan

penulis, ada satu upaya lain untuk merancang algoritma pemulusan sekuensial untuk PSLTG,

yaitu Edirisinghe (1999). Algoritma ini didasarkan pada pembentukan sekumpulan batasan

yang tidak dapat diprediksi. Meskipun metode ini tidak menghasilkan perbaikan komputasi

dibandingkan dengan metode yang diusulkan oleh Fauendorfer (1996), tidak jelas apakah

metode tersebut memberikan jaminan asimtotik..

Reset pada studi ini, kami membahas algoritma solusi PSLFG yang menggunakan beberapa

alat yang sama seperti pada PSL dua fase, sehingga menjaga sifat komputasi. Pada saat yang
 2
1
sama, pendekatan ini juga memastikan optimalitas asimtotik. Kontribusi lainnya adalah

bahwa algoritma yang diusulkan memberikan implementasi fungsional dari konsep

perluasan yang diusulkan oleh Olsen (1976). Dalam penelitian ini, ekstensi tidak hanya

memberikan landasan hasil konvergensi, namun juga memberikan prinsip operasional untuk

memperluas solusi awal dari pendekatan solusi masalah asli. Meskipun perluasan seperti

itu tidak dapat memberikan solusi yang layak untuk semua skenario yang mungkin

terjadi, metode ini memberikan peluang untuk mewujudkan kelayakan. Ini merupakan langkah

penting dalam realisasi solusi PSLTG yang diperoleh dari pendekatan P dari masalah awal.

4.3.2. Prosedur awal

PSL adalah perspektf epektif untuk pengambilan keputusan dengan adanya

ketidakpastian. Secara matematis, misalkan diperoleh indeks waktu t  {1, , T } dan batas

waktu yang terdiri dari T jenjang . Ketidakpastian dimodelkan oleh ruang peluang yang difilter

 , S , F 
T
t 1
, P  . Ruang sampel  didefenisikan sebagai  :=  1
   T , dengan T  rt
,


rt bilangan bulat positif. Produksinya adalah  := (1, , T)   dan   (1 ,,  t ) . -aljabar

 merupakan kumpulan insiden yang ditetapkan nilai peluang oleh kadar peluang P dan

F Tt1 adalah saringan pada . Keputusan (recourse) pada tahap t merupakan variabel random

xt :   R nt , dimana nt bilangan bulat positip. Biaya keputusan diwaktu t merupakan variabel

random ct :   nt
. Untuk semua t  {1, , T } dan semua r  1, , T  , bt :   mt
dan Atr adalah

matriks berharga riel mt  nt.

Model matematika dari PSLFG bisa disajikan sebagai berikut :

 2
2
T
min c1T x1  E  ctT (t ) xt (t )
x1 , , xT
t 2
kendala A11 x1  b1
t
At1 x1   Atr xr (t )  bt (t )
r 2

x1  0, xt (t )  0
ny
xt  L2 (1   T , ) a.s. t  2, ,T

Dalam rumusan ini, bisa digunakan hampiaran tepat (a.s). Jika disebutkan bahwa suatu

kebijakan x = (x1, , xT) diambil pada filtrasi F  F t Tt1 , disajikan dengan x  , berarti

bahwa setiap xj bersesuaian pada -aljabar  t terkait, yaitu xt t.kebijakan demikian juga

disebutkan nonantisipatif karena xt merupakan fungsi dari 1 ,,  t  tapi bukan dari vektor

random  t 1 ,,  T  . PSLFG bisa dirumuskan dalam cara demikian sehingga peran yang

dimainkan oleh F Tt1 dimasukkan dalam model

T
min E  E ctT | F t  xt
 
t 1

  t 
 E   Atr xt | F t   E bt | F t  a.s for t  1, ,T
  r 1 
 (14)
kendala  xt  0
 x   x1 , , xT   F

 xt  L2 (, R nt )


Tersaji pada Wright (1994), persoalan ini disebutkan sebagai P(,). Problem P( d,, c)

memakai 2 filtrasi : alas an pertama ( d) mengatakan filtrasi pada yang mana keputusan

diambil sedangkan alas an kedua ( c) mengatakan filtrasi terhadap kendala persamaan

t
dipakai. Keputusan x diadaptasi terhadap  d jika x   d. Kendala persamaan A
r 1
tr xt  bt

dapat dipaksa untuk disesuaikan pada filtrasi  c dengan menggantikan kedua sisi persamaan

 t 
oleh ekspektasi bersyarat terhadap F t c yaitu E  Atr xt | F t c   E bt | F t c  . Disebutkan bahwa
 r 1 
 2
3
filtrasi G  Gt Tt1 lebih kasar dari pada filtrasi F  F Tt1 jika Gt  Ft untuk setiap t  {1, , T }

Andaikan Fˆ lebih kasar dari pada  . Problema keputusan P(Fˆ , F ) adalah

T
min E  E ctT | Fˆt  xt
 
t 1

  t 
 E   Atr xt | F t   E bt | F t  a.s untuk t  1, ,T
  r 1 

kendala  xt  0

 x   x1 , , xT   Fˆ
 xt  L2 (, R nt )


juga dapat disusun problema konstrain terpadu P(Fˆ , F ) :

T
min E  E ctT | Fˆt  xt
 
t 1

  t 
 E   Atr xt | Fˆt   E bt | Fˆt  a.s untuk t  1, ,T
  r 1 

kendala  xt  0
 x   x1 , , xT   F

 xt  L2 (, R nt )


Persoalan terpadu penuh P(Fˆ , Fˆ ) adalah

T
min E  E ctT | Fˆt  xt
 
t 1

  t 
 E   Atr xt | Fˆt   E bt | Fˆt  a.s untuk t  1, ,T
  r 1 

kendala  xt  0

 x   x1 , , xT   F
ˆ
 x  L2 (, R nt )
 t

Jika 1 dan 2 dua filtrasi dengan 1 lebih besar dari pada 2, maka kendala dalam P(,2)

lebih terbatas dari pada yang dalam P(,1). Jadi, dengan memperhatikan nilai P(,1) dan

P(,2) oleh v(P(,1)) dan v(P(,2)), berturut-turut terdapat

 2
4
v(P(,1))  v(P(,2)) (15)

Sekarang pandang suatu PSLTG dimana hanya bt acak, yaitu program stokastik hanya

mempunyai ruas kanan acak, data lainnya deterministik. Maka nilai dari problema terpadu

komplit P(Fˆ , Fˆ ) bernilai sama seperti nilai problema konstrain terpadu P(F , Fˆ ) (Wright,

1994). Ini menyebabkan bahwa jika diperhatikan mengoptimalkan PSLFG layak dengan ruas

kanan random pada barisan filtrasi F 


k
dengan F t k  F t k 1 untuk semua t  (1,..., T ) dan
k 1

andaikan nilai optimal dari P(k, k) yang dinyatakan dengan vk, maka vk adalah barisan naik

monoton dari bilangan riel yang terbatas keatas oleh v(P(,))

4.3.3 Pohon Skenario dan Filtrasi

Jika semua variabel random mempunyai suport terbatas, ketidakpastian model multitahap

dapat direpresentasikan dengan pohon skenario. Karena algoritme bekerja dengan diskritisasi,

bagian ini membuat hubungan antara kumis skenario (yang didiskritisasi) dan pemfilteran,

yang berlaku untuk variabel acak kontinu dan diskrit. Pembahasan di bawah ini berasal dari

Rockafellar (1999)..

Suatu pohon skenario T= ( N , A ) adalah pohon berakar dimana setiap daun dengan

kedalaman T. Kumpulan buhul pada kedalaman t disebutkan oleh t, jadi kumpulan buhul

adalah N  t
N tt
. Kumpulan random buhul n dinyatakan oleh Cnt . Setiap besaran (n, m)

mempunyai sebaran bersyarat terkait qmn dari transisi ke m dengan diketahui bahwa n

didapatkan. Jadi  qnm  1 .

mCn

Secara alternatif pohon skenario dapat digambarkan dengan menggunakan filtrasi

dimana -aljabar menyampikan informasi yang ada untuk pengambil keputusan. Dengan

memisalkan  t mempunyai dukungan berhingga, -aljabar t =  (  t ) yang disusun oleh 

 2
5
berhingga dan juga filtrasi {F1 , , F T } . Karena t berhingga ia dibentuk oleh partisi berhingga

B tj dari :

kt
 Bit dengan Btj  Blt   untuk j  l. (16)
i 1

Perkara yang sama benar untuk t+1 :

kt 1
 Bit 1 dengan Btj1  Blt 1   untuk j  l. (17)
i 1

Sifat filtrasi menyebabkan hubungan antara 2 partisi B tj dan B tj1 :

i,1  i  kt ,  J it 1  1, , kt 1 dengan Bit  Bkt 1 (18)

kJ it 1

Cermati bahwa apabila disebutkan suatu kebijakan x  {xt ( ), t  1, , T} diambil pada filtrasi

{F t }Tt1 , dimaksud bahwa setiap xt tertakar pada -aljabar t terkait. Ini menyebabkan :

x is -adaptasi  xt ( )  konstan   Bit , i, t

Hubungan antara filtrasi  dan pohon skenario dapat dibuat eksplisit dengan mengidentifikasi

anggota Bit dari partisi dengan buhul tergantung dari pohon skenario.

Lambangnya adalah :

  = (, ), pohon skenario adalah pohon berakar dimana semua buhul n termasuk dalam

fase tn, yaitu n  N tn .

Keterangan :

 n = 1 dengan t1 = 1 adalah satu-satunya akar

 buhul {n|tn = T} daun, dan

 Jalur komponen dari akar n = 1 keacak daun n dengan tn = T adalah suatu skenario.

 S adalah komponen skenario (lintasan akar ke pohon);

 Ps peluang skenario s  S ;

 Sn kumpulan skenario yang melewati buhul n;

 2
6
 pn   ps peluang menggapai buhul n;
sSn

 Hn   buhul prematur atau histori dari buhul n;

 Hn pemula langsung atau buhul inang dari buhul n  , n  2;

 Fn,s   buhul generasi atau masa depan dari n pada skenario s;

 Fn = sS Fn,s buhul generasi dari n atau masa depan dari n  ;

 Cn   buhul generasi langsung dari n atas anak dari n;

 Qn,m peluang bersyarat melewati buhul n disebutkan bahwa buhul n telah dilewati;

 Bn   kumpulan skenario yang disediakan oleh buhul n;

 cn  ctn ( ) dan Anm  Atntm ( ) .

Misalkan Fˆa filtrasi yang bergantung dengan pohon . PSLFG pada pohon skenario 

adalah problema terpadu penuh P(Fˆ , Fˆ ) a. Persoalan terpadu penuh ini merupakan program

linier dan bisa disajikan sebagai :

min  pn cnT xn
nN:: pn  0

 Anm xm  Ann xn  bn
(19)
mH n : pn  0

xn  0 n : pn  0

Dual dari pohon ini

max  bnT un
nN:: pn  0
T
Ann un   T
Amn un  pn cn n : pn  0 (20)
mFn : pn  0

Dengan mensubstitusi variabel dual un dengan pn un dan membandingkan konstrain ke n

dengan pn didapatkan persoalan dual berikut :

 2
7
max  pn bnT  n
nN:: pn  0
T
Annn   T
qn,m Amn n  cn n : pn  0 (21)
mFn : pn  0

Penyelesaian optimal disebutkan sebagai xˆn dan ˆn . Versi berskala dari dual

mempunyai tafsiran probabilistik. Dalam pola ini, vektor dual ˆn menyajikan nilai marjinal

bersyarat dari sumber daya (dipersyaratkan pada pertibaan dibuhul n). Konstrain kelayakan

dual menyerupai situasi optimalitas program dinamis yang menghendaki bahwa nilai marjinal

dari sumber daya dibuhul n ditambah nilai lebih untuk masa datang tidak melampaui harga cn,

di buhul n.

4.3.4. Degenerate subfiltrasi

Ada beberapa korespondensi 1-1 antara filtrasi berhingga dan pohon skenario.

Degenerate subfiltrasi Fˆ didefenisikan hanya menjelaskan bahwa Fˆt  {, } . Pohon skenario

tergantung disekitar pohon degenerate; ia hanya terdiri dari satu skenario (gambar 2)

1 2 t 1 t t 1 T

Gambar 2. Pohon degenerate

Jika dipartisi  t tertentu menjadi dua kumpulan bagian 1t dan  t2 , maka pohon baru

didapatkan seperti dalam gambar 3.

 2
8

t t 1 T

1 2 t 1

t t 1 T

Gambar 3. Partisi Pertama

Kedua buhul dalam fase t memperlihatkan dua kumpulan bagian. Filtrasi baru dituliskan

ˆ ˆ
dengan Fˆ . Filtrasi ini adalah sedemikian hingga Fˆt  Fˆ untuk   t dan

ˆ
Fˆt    
1
 1t   T , 1    t2   untuk
 T ,  s  t.

4.3.5 Metode Pemutahiran Pohon

Metode pemutahiran pohon disini merupakan suatu metode sistematis untuk menyusun

barisan subfiltrasi yang semuanya lebih mulus dari pada terdahulunya. Didapati suatu pohon 

, metode ini akan mendapatka suatu pohon skenario baru +. Metode memisalkan bahwa suatu

buhul n telah teridentifikasi dari jalur sampel yang diberikan pada buhul ini akan dipartisi

menjadi dua kumpulan bagian untuk memproduksi diskritisasi lebih mulus.

Langkah :

Langkah 1. Misalkan m  sehingga m  N . Cermati bahwa m buhul baru;

Langkah 2. Misalkan Tn  (An , N n ) subpohon berakar dari  dengan buhul akar n;

Langkah 3. Misalkan Tm  (Am , N m ) menjelaskan suatu pohon yang isomorphis dengan

subpohon n; memiliki sifat graph sama seperti pohon n. Misalkan buhul akar

dari n adalah m.

Langkah 4. Misalkan T   (A  , N  ) dengan

 2
9
N   N  N m dan

A 
 A  A m   hn , m 

Untuk semua n  +, kalkulasi pn .

4.3.6. Algoritma Penyusunan Skenario

Fokuskan hanya pada PSLFG dengan ruas kanan b( ) random, data lainnya

deterministik. mesti, dipersyaratkan bt fungsi affine dari  . Pohon awal mungkin degenerate

atau pendekatan lainnya.

Penyelesaian pada persoalan terpadu penuh ini memproduksi pada semua buhul n; (i)

keputusan primal xn dan (ii) vektor pengali dual xn . Misalkan  n suatu skenario yang

bergantung dengan buhul n. diketahui keputusan primal dan pengali dual untuk tiap buhul n,

misalkan Bn suatu barisan optimal untuk buhul PL berikut :

min(cn   E[( ArtT   ) |]( n ))T xn

  tn 1
n


 Atntn xn  bn   Atntm xm
 mH n : pn  0
x  0
 n

PL ini memiliki suatu penyelesaian sebab penyelesaian dual  n yang diperoleh dari persoalan

terpadu penuh adalah layak untuk PL ini dan PL ini layak penuh oleh penyusunan. Bisa

digunakan x1 ,{ n }nN dan {Bn }nN untuk memproduksi suatu kebijakan pada problem awal.

Ini didapatkan dengan menggunakan persamaan berikut :

x2, B ( )  B21 (b2 (2 )  A21 xˆ1 ) (22)

x2, N ( )  0 (23)

tn 1
xtn , B ( )  Bn1 (btn (tn )   At r xr (r )) (24)
n
r 1

xtn , N ( )  0 (25)
 3
0
Kebijakan ini akan dikatakan sebagai basis prolongasi optimal dan merupakan estimasi dari

penyelesaian optimal pada problema yang pertama . Untuk semua x1 fase pertama dan semua

skenario  , keputusan xt ( ) dapat dikalkulasi secara rekursif. Kebijakan demikian mungkin

tak layak yaitu mungkin ada kumpulan dari takaran positif pada kebijakan yang tidak

memenuhi konstrain nonnegativitas.

Cermati buhul n dan cermati buhul Hn dan n masa datang buhul ini. Kapanpun

skenario  teridentifikasi secara eksplisit untuk buhul n dan misalkan xn menjelaskan kebijakan

terkait {xtm , ( )}mH n dan secara eksplisit terdapat ketergantungannya pada skenario.

Penyelesaian dual yang tergantung dengan semua buhul masa depan dalam n akan dinyatakan

dengan  n . Defenisikan nilai fungsi kelebihan gn pada buhul n sebagai

 g n ( ; X n ;  n ) : min(cn   E[( ArtT   ) |]( n ))T xn

  tn 1
n


 Atntn xn  bn (tn )   Atntm x( )
 mH n : pn 0
x  0
 n

gn disebutkan sebagai nilai fungsi kelebihan terhadap buhul n, karena koefisien hanya dari PL

tadi dapat diartikan sebagai per unit harga yang mengakomodasi estimasi nilai kelebihan yang

didasarkan pada pengali dual terkait dengan buhul n berikutnya. Penting untuk diperhatikan

bahwa fungsi nilai kelebihan juga merupakan fungsi dari keseluruhan kebijakan yang menuju

ke buhul n. Jadi,  berubah terhadap Bn , skenario yang disediakan oleh buhul n.

4.3.7 Asumsi batas atas dan bawah

Misalkan Un menunjukkan batas atas dan Ln batas bawah untuk prediksi bersyarat

E[ gn ( ; X n ; n ) | Bn ] . Dimisalkan kapanpun fungsi nilai kelebihan adalah affin pada Bn , batas

atas dan batas bawah sama dengan prediksi bersyarat ini. Batas atas baku yang digunakan
 3
1
dalam program stokastik (misalnya batas Edmundson-Madansk) melengkapi asumsi ini,

sekarang didefenisikan parameter kesenjangan yang ditunjukkan dengan n :

n = Un - Ln (26)

Variabel acak  n :   mt
didefenisikan sebagai  n ( )   m kapanpun   Bm .

Dievaluasi kebijakan saat ini untuk semua buhul dengan mengevaluasi parameter

kesenjangan n dan juga indeks ketaklayakan. Ketaklayakan akan dilandaskan terhadap

takaran kumpulan  dimana kebijakan melanggar batas nonnegativitas. Defenisikan :

n : 1  P(  | xtn,B ( )  0) (27)

n tidak gampang ditentukan, namun batas atasnya lebih gampang diselesaikan. Kalkulasi dari

peluang ini juga difasilitasi oleh realiti bahwa xtn,B ( ) suatu fungsi affin, seperti bisa terlihat

dari struktur basis prolongasi optimal. Dalam semua kejadian, misalkan n  ˆn menjelaskan

indeks kelayakan untuk buhul n.

Sekarang algoritma penyusunan skenario (PS) bisa dituliskan sebagai berikut :

Langkah 0. Pilih parameter toleransi positif 1, 2 dan s, dan dipilih 3 > 2 buat k = 1.

Langkah 1. Andaikan F 1  F Tt1 filtrasi degenerate, dengan F t  t ,  . Defenisikan pohon

degenerate sebagai :

- 1 = (1,1) terdiri dari lintasan tunggal

- S1 skenario tunggal, p1s  1

- p1n  1 apabila n  N 1

- qnm = 1 apabila n  {1, , T - 1}, m  Fn

- b1n : E[btn ]
 3
2
Langkah 2. (selesaikan persoalan lengkap). Selesaikan PSLTG yang terkait dengan pohon Tk.

PSLTG merupakan problema terpadu lengkap. Penyelesaian dari problema ini

menghasilkan kebijakan primal-dual xkj ,  mk : j, m  N k  dan nilai optimal vk.

Langkah 3. Hitung n dan n untuk tiap bahul n  N k dengan pn  3 (jika buhul n adalah

pn   3 , maka buhul ini diabaikan).

Langkah 4. (aturan penghentian) Jika  n  1,n   2 n  N k dan 3   2 , stop; kebijakan yang

dibentuk oleh basis prolongasi optimal sesuai untuk problem awal.

Langkah 5. (reduksi 3) Jika pn  3 n  N k maka buat  3   3 / 2 dan kembali kelangkah 3.

Langkah 6. (pemisahan) Andaikan L  n  N k | pn  3 

- Jika terdapat suatu n  L, sehingga n > 1 maka ambil n sedemikian hingga

 n  max nL { n } . Gunakan prosedur pemutahiran pohon di buhul n . Hasil ini

dalam pohon skenario baru k+1. Buat k  k + 1 dan kembali kelangkah 2.

Jika untuk semua buhul n  L, n < 1, namun ada buhul m  L, sehingga m   2 , maka
andaikan n buhul dalam L dengan n terbesar. Pakai prosedur pemutahiran pohon pada buhul
n . Hasil ini dalam pohon skenario baru k+1. Buat k  k + 1 dan kembali kelangkah 2
 3
3

BAB 5 Rancangan metode penyelesaian

F( x)  d y
T
Min
Kendala f ( x)  A1 y  b1 (m1 baris)
Model rancangan dasar dapat ditulis dalam bentuk
A2 x  A3 y  b 2 (m2 baris)
 ( x, y )T  u
Algoritma berlaku karena memanipulasi barisan iterasi utama yang mana konstrain
diliniersasi pada beberapa titik baris x k dan nonlinearitas digabungkan dengan fungsi objektif
bersama estimasi pengali Lagrange.
Maka dapat ditulis
fˆ ( x, xk )  f ( xk )  J ( xk )( x  xk )

Sehingga sub persoalan yang berkendala linier diselesaikan pada iterasi utama ke k
 3
4
Yaitu
min L( x, y, x k , k ,  )  F ( x)  d y
T
x, y

 kT ( f  fˆ )  12  ( f  fˆ )T ( f  fˆ )
kendala  k x  A1 y b1  J k x k  f ( x k )
A2 x  A2 y  b 2
 ( x, y )T  u
Fungsi objektif adalah perluasan Lagrange yang dimodifikasi, parameter denda 
mempercepat konvergensi dari titik estimasi awal yang berada jauh dari titik optimal. Pengali
Lagrange k diambil sebagai nilai optimal dipenyelesaian sub problema terdahulunya.
Jika barisan iterasi utama mendekati titik optimal (diukur oleh perubahan relatif dalam
estimasi k dan derajat terhadap mana kendala tak linier dipenuhi x k ) parameter pinalti 
dikurangi menjadi 0.
Metode yang diajukan menggunakan strategi kendala aktif, yang dapat diperlihatkan
dalam bentuk
 xB   b 
B S N     
Ax   xS  
 I     
 x N  bN 
B Himpunan vektor basis
S Himpunan vektor superbasis
N Himpunan vektor nonbasis
I Matriks satuan
Peubah nonbasis x N berada pada batasannya dan tetap disana untuk langkah  x berikutnya.
Jadi dapat dituliskan
BxB  SxS  NxN  b
xN  bN
dengan b N adalah kombinasi batas atas dan batas bawah.
Peubah superbasis bebas x S bergerak kesembarang arah dan memberikan dorongan untuk
meminimumkan fungsi objektif.
Peubah basis x B harus mengikuti persamaan berikut :
Bx B  S x S  0
jadi x dapat ditulis dalam perubahan pada peubah superbasis sebagai :
 x  Z  xS
dengan
  B 1 S 
 
Z  I 
 0 
 
Pada matriks Z ini terlihat bahwa matriks Z bekerja sebagai matriks ‘reduksi’ dan
mengalikan dari kiri vektor gredien untuk menyusun gradien tereduksi h  Z T g dengan
g    x . Ia juga mengalikan dari kiri dan kanan matriks Hessi dari turunan parsial kedua
untuk memproduksi langkah seperti Newton dalam ruang tereduksi peubah superbasis.
 3
5
Implementasi dari metode memakai aproksimasi quasi-Newton RTR terhadap matriks
Hessi tereduksi, dimana R matriks segitiga-atas. ‘Sparsity’ dalam kendala dipertahankan
dengan menyimpan dan memutakhirkan faktorisasi LU dari matriks Basis B.
Faktorisasi ini memberikan arti bahwa Z atau B-1 tidak dinyatakan secara eksplisit.
Langkah quasi-Newton  x dihitung dengan sikuen berikut :
i) Selesaikan U T LT a  g B untuk a dimana vektor gradien g dipartisi menjadi ( g B , g S , g N )
berkaitan dengan partisi A dan  x
ii) Bentuk h  g S  S T a
iii) Selesaikan RT R x S  h
iv) Selesaikan LU  x B  S  x S
ukuran kumpulan superbasis bervariasi ketika algoritma pencarian berlangsung.
Jika batas peubah dijumpai, peubah tersebut dibuat menjadi nonbasis dan dipindahkan dari
kumpulan superbasis (atau basis).
Sedangkan jika konvergensi dicapai dalam suatu subruang, satu atau lebih peubah
nonbasis dijadikan superbasis apabila elemen vektor ‘reduced cost’ terkait g N  N T a tak nol
dan bertanda sesuai.
Bagian terdahulu adalah metode/algoritma untuk menyelesaikan program stokastik
linier dan tak linier. Dari kerangka kerja metode tersebut dikembangkan untuk program
stokastik cacah campuran.

5.1 Ide dasar

Pandang problema program stokastik cacah campuran linier (mixed integer linear
programming (MILP))
Min P  C x
T

Kendala Ax  b
x0
x j cacah untuk berbagai j  J
Komponen vektor layak basis terhadap MILP yang diselesaikan sebagai problema kontinu
dapat ditulis sebagai
( xB ) k   k   ki ( xN )i    kj* ( xN ) j*    k ,n  m ( xN ) n m
andaikan (xB)k peubah bernilai cacah dan  k tidak bernilai cacah,  k dipartisi menjadi
komponen bulat dan pecahan k  [k ]  f k
Jika ingin dinaikkan ( xB )k ke cacah terdekat ([  ]  1) , dapat dinaikkan peubah tak basis,
misalnya (xN)j* diatas batasannya asalkan  kj* yaitu salah satu elemen vektor  j* negatif.
Ambil  j* adalah jauh gerakan peubah nonbasis ( xN ) j* sehingga nilai numerik dan skalar
( xB )k cacah, maka  j* dapat dinyatakan sebagai
1  fk
 j* 
 kj*
peubah nonbasis lainnya tetap di nol.
Jadi setelah disubstitusi  j* untuk ( xN ) j* diperoleh ( xB )k  [ ]  1
Sekarang ( xB )k suatu bilangan cacah.
 3
6
Terlihat jelas peubah tak basis sangat berperan dalam membulatkan nilai peubah basis terkait.
Ide dasar demikian ini dipergunakan untuk menyelesaikan secara global program stokastik
cacah campuran tak linier

III.4.2. Algoritma dari metode

Setelah menyelesaikan problema relaksasi dengan metode yang diajukan terdahulu untuk
program stokastik linier, prosedur pencarian penyelesaian wilayah cacah dapat dideskripsikan
sebagai berikut :
Andaikan
x  [ x]  f , 0  f 1
penyelesian kontinu dari problem relaksasi
langkah 1 Pilih basis i* infisiklitas cacah terkecil, sehingga  i*  min{ fi ,1  fi }

langkah 2 Lakukan operasi pricing, yaitu hitung viT*  T

i* B 1

 
langkah 3 Hitung  ij  viT* a j dengan j berkaitan pada min j  i 
  ij 
I. Untuk non basis j di batas bawah
(1   i* )
Jika  ij < 0 dan  i* = fi hitung  
 ij

(1   i* )
Jika  ij > 0 dan  i* = 1 - fi hitung  
 ij
 i*
Jika  ij < 0 dan  i* = 1 - fi hitung  
 ij

 i*
Jika  ij > 0 dan  i* = fi hitung  
 ij
II. Untuk non basis j di batas atas
(1   i* )
Jika  ij < 0 dan  i* = 1 - fi hitung  
 ij

(1   i* )
Jika  ij > 0 dan  i* = fi hitung  
 ij
 i*
Jika  ij > 0 dan  i* = 1 - fi hitung  
 ij
 i*
Jika  ij < 0 dan  i* = fi hitung  
 ij
 3
7
Jika tidak pergi ke non basis atau superbasis j berikutnya (jika ada). Jadi kolom j*
dinaikkan dari batas bawahnya atau diturunkan dari batas atasnya. Jika tidak ada
pergi ke i* berikutnya.

Langkah 4 Hitung
 j*  B1a j*
yaitu, selesaikan B j*  a j* untuk  j*

langkah 5 Uji kelayakan terdapat 3 kemungkinan untuk peubah basis tetap layak karena
pelepatan peubah nonbasis j* dari batasnya.
 jika j* dibatas bawah
Ambil
 xB  i ' 
A  Min  i ' 
i ' i*  ij*  0
  ij* 
 ai '  xBi ' 
B  Min  
i ' i*  ij*  0
  ij* 
C
Gerak maksimum dari j* tergantung pada
 *  min( A, B, C )
 jika j* dibatas atas
Ambil
 xB  i ' 
A '  Min  i ' 
i ' i*  ij*  0
  ij* 
 ai '  xBi ' 
B '  Min  
i ' i*  ij* 0
  ij* 
C' 
Gerak maksimum dari j* tergantung pada
 *  min( A ', B ', C ')
langkah 6 Pertukaran basis untuk ke 3 kemungkinan
1. jika A atau A’
 xBi ' menjadi nonbasis di batas bawah i'

 x j* menjadi basis (menggantikan xBi ' )

 xi* tetap basis (tak cacah).

 3
8
2. jika B atau B’
 xBi ' menjadi nonbasis di batas atas ai '

 x j* menjadi basis (menggantikan xBi ' )

 xi* tetap basis (tak cacah).

3. jika C atau C’
 x j* menjadi basis (menggantikan xi* )

 xi* menjadi superbasis bernilai cacah.

Ulangi dari langkah 1

BAB 6 Kesimpulan

Pemrograman stokastik berfokus pada optimalisasi pengambilan keputusan

ketika terdapat ketidakpastian berulang dalam data masalah. Jenis objek

penelitiannya adalah masalah optimasi stokastik, dimana hasil data (hasil) acak tidak

dipublikasikan pada saat runtime, dan keputusan optimasi tidak perlu memprediksi

hasil di masa depan (tidak ada prediksi). Asalkan informasi probabilistik tersedia,

model operasi yang sesuai untuk optimasi dapat dibangun sebagai program stokastik

multitahap. Pada dasarnya model ini diusulkan untuk menggantikan model

deterministik di mana koefisien atau parameter yang tidak diketahui bersifat acak,

dengan asumsi distribusi probabilitas independen dari variabel keputusan. Namun

 3
9
untuk menghindari hal tersebut, model pemrograman stokastik tersebut harus

dirumuskan kembali menjadi program deterministik yang setara. Hal ini dimungkinkan

karena parameter acak diasumsikan mempunyai distribusi probabilitas yang

memungkinkan terwujudnya parameter acak yang dinyatakan dalam bentuk skenario.

Kisaran ukuran program deterministik “meledak” karena jumlah skenario yang begitu

banyak. Oleh karena itu diperlukan juga teknik scripting untuk mencegah terjadinya

“ledakan”..