模拟动物学习：应用于最佳觅食过程的新建模框架
摘要：动物学习长期以来一直吸引着生态学家和心理学家的兴趣。最近，解释动物如何储存和回想信息的数学模型开始引起关注。这项工作的核心是统计决策理论（SDT），它将动物的信息获取与贝叶斯推断联系起来。SDT有效地解释了动物的许多学习任务，但将这个理论扩展到预测动物在不断变化的环境中如何学习仍然是生态学家面临的一个挑战。我们通过一种新颖的贝叶斯马尔可夫链蒙特卡洛（MCMC）抽样方法解决了这个问题，模拟动物如何从环境信息中获取样本并作为结果学习。我们将这个框架应用到一个模拟野生动物遇到的复杂觅食任务的个体模型中。模拟的“动物”通过遵循一个MCMC采样器的原理来学习行为策略，从而最大化觅食回报。在这些模拟中，行为可塑性在不可预测和不确定的环境中对于高效觅食最有利。我们的模型表明，即使这些资源整体上不太可得，动物也会优先考虑高浓度资源，这符合理论上最佳觅食和理想自由分布理论的现有知识。我们创新的计算建模框架可以更广泛地应用于模拟动物和人类学习的许多其他任务。
作者：Peter R. Thompson, Melodie Kunegel-Lion, Mark A. Lewis
论文ID：2208.12305
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2022-08-29