Optimización Estocástica ¿opción en el agro?
Resumen
Resumen 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.
