In dieser Arbeit untersuchen wir das Problem der Maximierung bestimmter konkaver Funktionale auf dem Raum der optionalen, zufälligen Maße. Deartige Funktionale treten in der mikroökonomischen Literatur auf, wo ihre Maximierung auf die Bestimmung des optimalen Konsumplans eines ökomischen Agenten hinausläuft. Als Alternative zu den wohlbekannten Methoden der dynamischen Programmierung wird ein neuer Zugang vorgestellt, der es erlaubt, die Struktur der maximierenden Maße in einem über den üblicherweise angenommenen Markovschen Rahmen hinausgehenden, allgemeinen Semimartingalrahmen zu klären. Unser Zugang basiert auf einer unendlichdimensionalen Version des Kuhn-Tucker-Theorems. Die implizierten Bedingungen erster Ordnung erlauben es uns, das Maximierungsproblem auf ein neuartiges Darstellungsproblem für optionale Prozesse zu reduzieren, das damit als ein nicht-Markovsches Substitut für die Hamilton-Jacobi-Bellman Gleichung der dynamischen Programmierung dient. Um dieses Darstellungsproblem im deterministischen Fall zu lösen, führen wir eine zeitinhomogene Verallgemeinerung des Konvexitätsbegriffs ein. Die Lösung im allgemeinen stochastischen Fall ergibt sich über eine enge Beziehung zur Theorie des Gittins-Index der optimalen dynamischen Planung. Unter geeigneten Annahmen gelingt ihre Darstellung in geschlossener Form. Es zeigt sich dabei, daß die maximierenden Maße absolutstetig, diskret und auch singulär sein können, je nach Struktur der dem Problem zugrundeliegenden Stochastik. Im mikroökonomischen Kontext ist es natürlich, daß Problem in einen Gleichgewichtsrahmen einzubetten. Der letzte Teil der Arbeit liefert hierzu ein allgemeines Existenzresultat für ein solches Gleichgewicht. / In this thesis, we study the problem of maximizing certain concave functionals on the space of optional random measures. Such functionals arise in microeconomic theory where their maximization corresponds to finding the optimal consumption plan of some economic agent. As an alternative to the well-known methods of Dynamic Programming, we develop a new approach which allows us to clarify the structure of maximizing measures in a general stochastic setting extending beyond the usually required Markovian framework. Our approach is based on an infinite-dimensional version of the Kuhn-Tucker Theorem. The implied first-order conditions allow us to reduce the maximization problem to a new type of representation problem for optional processes which serves as a non-Markovian substitute for the Hamilton-Jacobi-Bellman equation of Dynamic Programming. In order to solve this representation problem in the deterministic case, we introduce a time-inhomogeneous generalization of convexity. The stochastic case is solved by using an intimate relation to the theory of Gittins-indices in optimal dynamic scheduling. Closed-form solutions are derived under appropriate conditions. Depending on the underlying stochastics, maximizing random measures can be absolutely continuous, discrete, and also singular. In the microeconomic context, it is natural to embed the above maximization problem in an equilibrium framework. In the last part of this thesis, we give a general existence result for such an equilibrium.