Optimierung unter Unsicherheit mit Hilfe stochastischer Simulation und Genetischer Algorithmen – dargestellt anhand der Optimierung des Produktionsprogramms eines Brandenburger Marktfruchtbetriebes –

Bereits seit mehreren Jahrzehnten findet die Optimierung in der akademischen Lehre und Forschung starke Beachtung. Trotz der Breite potenzieller Anwendungsfelder gibt es jedoch einige methodische Schwierigkeiten. Das Hauptproblem besteht darin, die Unsicherheit, d.h. stochastische Prozesse von Zufallsvariablen inkl. ihrer Korrelationen, in realistischer Weise zu berücksichtigen. Der Handhabbarkeit wegen werden häufig Annahmen zugrunde gelegt, die bereits vorliegende bzw. beschaffbare stochastische Informationen nicht verwerten. In diesem Beitrag wird ein leicht handhabbares Verfahren zur Berücksichtigung stochastischer Informationen im Rahmen der Optimierung entwickelt. Dabei wird die stochastische Simulation mit Genetischen Algorithmen kombiniert. Am Beispiel der Bestimmung des optimalen Anbauprogramms für einen Brandenburger Marktfruchtbetrieb wird gezeigt, dass dieses Verfahren das Potenzial zur Verbesserung der Entscheidungsfindung hat. Bei den Beispielrechnungen wird Unsicherheit bzgl. der Einzeldeckungsbeiträge in Form stochastischer Prozesse und bzgl. der möglichen Feldarbeitstage in Form von Dreiecksverteilungen berücksichtigt. Den unterschiedlichen Risikoeinstellungen von Entscheidungsträgern wird über Variantenrechnungen Rechnung getragen. Die Modellergebnisse verdeutlichen, dass der Schätzung der "richtigen" Prozessart für die Deckungsbeiträge der einzelnen Produktionsverfahren eine große Bedeutung zukommt. Produktionsverfahren, deren Deckungsbeiträge stationären stochastischen Prozessen folgen, werden von risikoaversen Landwirten tendenziell eher in das Produktionsprogramm aufgenommen als wenn man fälschlicherweise von nicht-stationären Deckungsbeitragsentwicklungen ausgehen würde.