Hasil Pencarian  ::  Simpan CSV :: Kembali

"Reduced Gradient adalah salah satu metode optimasi dimana pada persamaan yang terbentuk akan terjadi pengurangan komponen Gradient-nya. Dalam skripsi ini, akan dibahas penggunaan metode Reduced Gradient ini untuk mengoptimasi daya pembangkitan tenaga listrik. Optimasi yang dilakukan adalah optimasi antara daya yang dibangkitkan terhadap biaya yang dibutuhkan untuk pembangkitan tersebut dalam suatu sistem tenaga listrik. Sistem tenaga listrik yang dimaksud merupakan sistem yang terdiri dari pembangkit, bus (beban, pembangkit, gabungan beban dan pembangkit), dan saluran transmisi. Untuk dapat melakukan proses optimasi melalui perhitungan dengan menggunakan metode ini, diperlukan adanya suatu formulasi masalah dengan menggunakan program matematik non linier dimana formulasi tersebut akan mengandung variabel-variabel yang digunakan sistem tersebut dan memiliki hubungan fungsional. Perhitungan yang dilakukan dengan metode ini adalah melalui proses iterasi untuk memperoleh fungsi tujuan yang paling optimal. Untuk mempermudah proses perhitungan yang dilakukan, terlebih dahulu akan dilakukan penyederhanaan persamaan dengan menghilangkan suku-suku tertentu dari persamaan tersebut yang akan diperhitungkan kemudian. Daya yang dibangkitkan oleh sebuah pembangkit memiliki batasan minimal dan maksimal. Oleh karena itu, dalam proses optimasi yang dilakukan, nilai yang diperoleh akan optimal jika berada di dalam batasan-batasan yang diberikan. Setelah nilai optimal diperoleh, kemudian akan dihitung berapa besarnya rugi-rugi penyaluran yang terjadi dan akan didistribusikan ke setiap pembangkit dengan menggunakan faktor partisipasi. Sebagai aplikasi dari metode Reduced Gradient ini, dalam skripsi ini akan dilakukan pengoptimasian daya pembangkit dan biaya optimum terhadap pembangkit tenaga listrik yang terdapat di Pulau Bali."

"Prinsip dasar dari metode Griffith dan Stewart adalah masalah pemrograman tak linear dirumuskan ke dalam barisan masalah pemrograman linear yang kemudian diselesai kan dengan metode Simpleks. Pada skripsi ini dilakukan percobaan numerik dengan merubah titik awal, merubah batas kendala, mengalikan selisih peubah X dengan suatu konstanta. Hasil dari setiap percobaan diberikan dalam bentuk tabel beserta analisisnya. Pada percobaan dengan mengalikan selisih peubah X dengan suatu konstanta tidak memberikan hasil."

"separation theorems are then derived based on these theorems. This is followed by a chapter on convex functions that includes theorems of the alternative for such functions. These results are used in obtaining the saddlepoint optimality conditions of nonlinear programming without differentiability assumptions. Properties of differentiable convex functions are derived and then used in two key chapters of the book, one on optimality conditions for differentiable nonlinear programs and one on duality in nonlinear programming. Generalizations of convex functions to pseudoconvex and quasiconvex functions are given and then used to obtain generalized optimality conditions and duality results in the presence of nonlinear equality constraints. The book has four useful self-contained appendices on vectors and matrices, topological properties of n-dimensional real space, continuity and minimization, and differentiable functions."

"This book introduces the applications, theory, and algorithms of linear and nonlinear optimization, with an emphasis on the practical aspects of the material. Its unique modular structure provides flexibility to accommodate the varying needs of instructors, students, and practitioners with different levels of sophistication in these topics. The succinct style of this second edition is punctuated with numerous real-life examples and exercises, and the authors include accessible explanations of topics that are not often mentioned in textbooks, such as duality in nonlinear optimization, primal-dual methods for nonlinear optimization, filter methods, and applications such as support-vector machines."

"Odd-even-transposition adalah suatu algoritma paralel yang merupakan pengembangan dari algoritma sekuensial ?bubble sort?. Algoritma odd-even-transposition ini didesain khusus untuk model jaringan array linier (homogen). Untuk n elemen data, kompleksitas waktu dari algoritma bubble sort adalah O(n2), sedangkan pada odd-even-transposition yang bekerja di atas n prosesor adalah (n). Ada peningkatan kecepatan waktu pada kinerja algoritma paralel ini sebesar n kali dibanding algoritma sekuensialnya. Hypercube dimensi k adalah model jaringan non-linier (non-homogen) terdiri dari n = 2k prosesor, di mana setiap prosesor berderajat k. Model jaringan Fibonacci cube dan extended Lucas cube masing-masing merupakan model subjaringan hypercube dengan jumlah prosesor < 2k prosesor dan maksimum derajat prosesornya adalah k. Pada paper ini, diperlihatkan bagaimana algoritma odd-even-transposition dapat dijalankan juga pada model jaringan komputer cluster non-linier hypercube, Fibonacci cube, dan extended Lucas cube dengan kompleksitas waktu O(n).

---

AbstractOdd-even-transposition is a parallel algorithm which is the development of sequential algorithm ?bubble sort?. Odd-even transposition algorithm is specially designed for linear array network model (homogeneous). For n data elements, the time complexity of bubble sort algorithm is O(n2), while the odd-even-transposition that works with n processor is (n). There in an increase in the speed of time on the performance of this parallel algorithms for n times than its sequential algorithm. K-dimensional hypercube is a non-linear network model (non-homogeneous) consists of n = 2k processors, where each processor has k degree . Network model of Fibonacci cube and extended Lucas cube are the hypercube sub-network model with the number of processors"