Optimización estocástica ¿opción en el agro?

Autores
Pena de Ladaga, Beatriz Susana; Berger, Ariadna María
Año de publicación
2023
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
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.
Sociedad Argentina de Informática e Investigación Operativa
Materia
Ciencias Informáticas
decisiones
optimización
simulación Monte Carlo
simulación estocástica
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/165457

id SEDICI_013fb2f34f680335e278ac30459b6c7b
oai_identifier_str oai:sedici.unlp.edu.ar:10915/165457
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Optimización estocástica ¿opción en el agro?Stochastich optimization ¿option in farms?Pena de Ladaga, Beatriz SusanaBerger, Ariadna MaríaCiencias Informáticasdecisionesoptimizaciónsimulación Monte Carlosimulación estocásticaSe 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.Sociedad Argentina de Informática e Investigación Operativa2023-09info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf142-148http://sedici.unlp.edu.ar/handle/10915/165457spainfo:eu-repo/semantics/altIdentifier/url/https://publicaciones.sadio.org.ar/index.php/JAIIO/article/view/613info:eu-repo/semantics/altIdentifier/issn/2451-7496info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:43:55Zoai:sedici.unlp.edu.ar:10915/165457Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:43:55.906SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Optimización estocástica ¿opción en el agro?
Stochastich optimization ¿option in farms?
title Optimización estocástica ¿opción en el agro?
spellingShingle Optimización estocástica ¿opción en el agro?
Pena de Ladaga, Beatriz Susana
Ciencias Informáticas
decisiones
optimización
simulación Monte Carlo
simulación estocástica
title_short Optimización estocástica ¿opción en el agro?
title_full Optimización estocástica ¿opción en el agro?
title_fullStr Optimización estocástica ¿opción en el agro?
title_full_unstemmed Optimización estocástica ¿opción en el agro?
title_sort Optimización estocástica ¿opción en el agro?
dc.creator.none.fl_str_mv Pena de Ladaga, Beatriz Susana
Berger, Ariadna María
author Pena de Ladaga, Beatriz Susana
author_facet Pena de Ladaga, Beatriz Susana
Berger, Ariadna María
author_role author
author2 Berger, Ariadna María
author2_role author
dc.subject.none.fl_str_mv Ciencias Informáticas
decisiones
optimización
simulación Monte Carlo
simulación estocástica
topic Ciencias Informáticas
decisiones
optimización
simulación Monte Carlo
simulación estocástica
dc.description.none.fl_txt_mv 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.
Sociedad Argentina de Informática e Investigación Operativa
description 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.
publishDate 2023
dc.date.none.fl_str_mv 2023-09
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/165457
url http://sedici.unlp.edu.ar/handle/10915/165457
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://publicaciones.sadio.org.ar/index.php/JAIIO/article/view/613
info:eu-repo/semantics/altIdentifier/issn/2451-7496
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
142-148
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616306879365120
score 13.070432