Optimización estocástica ¿opción en el agro?

Abstract

Se exploraron en un primer paso los resultados de un modelo simple de programación lineal (PL) agrícola en Gral. Villegas. El plan óptimo fue analizado mediante simulación Monte Carlo (SMC). Las variables aleatorias consideradas fueron rendimientos y precios a momento de cosecha. A continuación se utilizó la optimización estocástica que funciona gracias al desarrollo de algoritmos genéticos. Posibilita arribar a un óptimo utilizando variables aleatorias en un mismo procedimiento. Se suponía lograr un efecto de “sinergia” entre las herramientas de (PL) y (SMC). La exploración permitió visualizar las actividades robustas, es decir aquellas que se repiten invariablemente, aunque con distinta dimensión en las soluciones. No obstante, los resultados más valiosos de la PL (costo de sustitución de actividades, precio sombra de recursos y límites de validez) se pierden con el trabajo simultáneo con SMC. Sólo se puede contar con la mejor solución y de ella obtener el margen mínimo, medio y máximo. Tampoco se obtienen las distribuciones de probabilidad (de masa y acumulada) de la SMC. La importancia de los valores marginales con los que trabaja la PL y la correcta interpretación de los diferentes outputs no es tarea sencilla: requiere considerable entrenamiento. Las salidas simples y comprensibles de la SMC de los planes posibles, asociados a probabilidades de ocurrencia, tampoco están disponibles al trabajar con la optimización estocástica. Ambas características no son indicadas por los vendedores de programas. Se sugiere continuar la exploración para dilucidar si la opción permite ayuda para quienes toman decisiones.

The results of a simple model of agricultural linear programming (PL) in Gral. Villegas were explored in a first step. The optimal plan was analyzed using Monte Carlo simulation (SMC). The random variables considered were yields and prices at harvest time. Next, stochastic optimization was used, which works thanks to the development of genetic algorithms. It makes it possible to arrive at an optimum using random variables in the same procedure. It was supposed to achieve a “synergy” effect between the (PL) and (SMC) tools. The exploration allowed to visualize the robust activities, those that are repeated invariably, although with different dimensions in the solutions. However, the most valuable results of LP (activity substitution cost, resource shadow price, and validity limits) are lost when working simultaneously with SMC. You can only count on the best solution and from it obtain the minimum, average and maximum margin. Nor are the probability distributions (mass and cumulative) of the SMC obtained. The importance of the marginal values ​​with which LP works and the correct interpretation of the different outputs is not an easy task: it requires considerable training. Simple and understandable SMC outputs of possible plans, associated with probabilities of occurrence, are also not available when working with stochastic optimization. Both features are not indicated by software vendors. It is suggested to continue the exploration to elucidate if the option allows help for decision makers.