نظریه بهینگی و جستجوی غذا

حیواناتی که به طور مؤثر غذا جمع‌آوری می‌کنند، تمایل دارند فرزندان بیشتری داشته باشند، بنابراین انتخاب طبیعی باید تصمیمات مربوط به جستجوی غذا را به سمت راه‌حل‌های بهینه شکل دهد که حداکثر بهره‌وری انرژی را در برابر هزینه‌ها و خطرات به همراه داشته باشد.

Definition

نظریه بهینگی و جستجوی غذا از مدل‌های حداکثرسازی محدود برای پیش‌بینی تصمیمات جمع‌آوری غذا – چه چیزی بخورند، کجا و برای چه مدت – که انتظار می‌رود انتخاب طبیعی از آن‌ها حمایت کند، استفاده می‌کنند.

Scope

این موضوع رویکرد بهینگی در رفتار را که در مورد تغذیه به کار می‌رود، پوشش می‌دهد: مدل‌های انتخاب رژیم غذایی بهینه، قضیه ارزش نهایی برای مدت زمان بهره‌برداری از یک قطعه، جستجوی غذا در مکان مرکزی، و تعادل بین تغذیه و اجتناب از شکار. این موضوع به معیارهای تناسب اندام مانند دریافت خالص انرژی، مفروضات و محدودیت‌های مدل‌های بهینگی، و آزمایش‌های تجربی که از آن‌ها حمایت یا آن‌ها را اصلاح می‌کنند، می‌پردازد.

Core questions

• یک حیوان چگونه باید اقلام غذایی را برای خوردن انتخاب کند؟
• یک جستجوگر غذا چه مدت باید در یک قطعه در حال کاهش بماند؟
• جستجوگران غذا چگونه بین بهره‌وری انرژی و خطر شکار تعادل برقرار می‌کنند؟
• پیش‌بینی‌های بهینگی چقدر با رفتار مشاهده‌شده مطابقت دارند؟

Key theories

مدل رژیم غذایی بهینه

یک جستجوگر غذا که دریافت انرژی را به حداکثر می‌رساند، باید طعمه را بر اساس سودآوری رتبه‌بندی کند و اقلام با رتبه پایین‌تر را تنها زمانی در نظر بگیرد که اقلام با رتبه بالاتر به اندازه کافی کمیاب باشند که جستجو برای آن‌ها بر هزینه مدیریت طعمه‌های ضعیف‌تر غلبه کند.

قضیه ارزش نهایی

یک حیوان که از قطعاتی بهره‌برداری می‌کند که با تغذیه کاهش می‌یابند، باید هر قطعه را زمانی ترک کند که نرخ دریافت آن به نرخ متوسط برای زیستگاه کاهش یابد، و بازده کاهشی را با زمان سفر به قطعه بعدی متعادل کند.

Mechanisms

مدل‌های بهینگی یک تصمیم، یک معیار برای حداکثرسازی مانند نرخ خالص بهره‌وری انرژی، و محدودیت‌هایی که حیوان با آن‌ها روبرو است را مشخص می‌کنند. در انتخاب رژیم غذایی، گنجاندن یک نوع طعمه تنها در صورتی سودمند است که سودآوری آن از دریافت مورد انتظار از ادامه جستجو بیشتر باشد؛ این امر یک تغییر ناگهانی بین رژیم‌های غذایی تخصصی و عمومی را با تغییر نرخ برخورد پیش‌بینی می‌کند. در استفاده از قطعه، دریافت در یک قطعه با گذشت زمان کاهش می‌یابد، و قضیه ارزش نهایی زمان بهینه ترک را از میانگین کل زیستگاه و هزینه سفر پیش‌بینی می‌کند. افزودن خطر شکار، بهینه را به سمت رفتارهای ایمن‌تر اما کم‌سودتر تغییر می‌دهد.

Clinical relevance

نظریه جستجوی غذا به مدیریت گونه‌های چرنده و برداشت شده، طراحی تغذیه تکمیلی و کنترل آفات، و پیش‌بینی چگونگی توزیع مجدد حیوانات هنگام تغییر منابع یا خطرات کمک می‌کند. این یک زمینه آموزشی است، نه یک نسخه مدیریتی.

History

مک‌آرتور و پیانکا و به طور مستقل املن، نظریه جستجوی غذای بهینه را در سال ۱۹۶۶ مطرح کردند. چارنوف قضیه ارزش نهایی را در سال ۱۹۷۶ فرموله کرد، و موجی از آزمایش‌های میدانی و آزمایشگاهی در طول دهه ۱۹۸۰، که توسط استفنز و کربس ترکیب شد، هم قدرت و هم محدودیت‌های رویکرد بهینگی را تثبیت کرد.

Debates

آیا حیوانات واقعاً جستجوگران غذای بهینه هستند؟

منتقدان خاطرنشان کردند که رفتار مشاهده‌شده اغلب از پیش‌بینی‌های بهینگی ساده منحرف می‌شود، که بحثی را در مورد اینکه آیا مدل‌ها شکست می‌خورند یا صرفاً محدودیت‌های مربوطه، محدودیت‌های اطلاعاتی و معیارهای ارزشی را نادیده می‌گیرند، برانگیخت.

Key figures

• Robert MacArthur
• Eric Pianka
• Eric Charnov
• John Krebs

Seminal works

• stephens1986
• charnov1976
• davies2012

Frequently asked questions

قضیه ارزش نهایی چه چیزی را پیش‌بینی می‌کند؟

این قضیه پیش‌بینی می‌کند که یک جستجوگر غذا در یک محیط قطعه‌قطعه باید یک قطعه در حال کاهش را زمانی ترک کند که نرخ بهره‌وری انرژی آن در آنجا به نرخ متوسطی که می‌تواند در کل زیستگاه به دست آورد، با در نظر گرفتن زمان سفر، کاهش یابد.

چرا یک جستجوگر غذا ممکن است یک غذای فراوان با کیفیت پایین را نادیده بگیرد؟

اگر طعمه‌های با کیفیت بالاتر به اندازه کافی رایج باشند، زمان صرف شده برای مدیریت یک قلم با کیفیت پایین می‌تواند به جای آن صرف یافتن و خوردن یک قلم سودآورتر شود، بنابراین گنجاندن قلم ضعیف، نرخ کلی دریافت را کاهش می‌دهد.