(Phys.org)—Omdat een gazelle sneller kan rennen dan een leeuw, hoe vangen leeuwen ooit gazellen? Een nieuw model van roofdier-prooi-interactie laat zien hoe groepen roofdieren collectieve jachtstrategieën gebruiken, zoals bochten en cirkels, om snellere prooien te achtervolgen en te vangen. Zonder deze tactische samenwerking, de roofdieren zouden geen kans hebben om deze prooi te vangen.

De resultaten zijn niet alleen relevant voor het begrijpen van dieren in het wild, maar hebben ook potentiële toepassingen voor drone-vliegstrategieën en in de entertainmentindustrie.

De onderzoekers, Milaan Janosov, Csaba Viragh, Gabor Vásárhelyi, en Tamás Vicsek bij de MTA-ELTE Statistical and Biological Physics Research Group, Hongarije, hebben hun paper over hun nieuwe model van collectieve achtervolgingsstrategieën gepubliceerd in een recent nummer van de Nieuw tijdschrift voor natuurkunde .

"Na vele eerdere inspanningen, we zijn erin geslaagd om een ​​eenvoudige, maar verrassend levensechte uitleg van hoe roofdieren succesvolle jachtpakketten kunnen vormen, en daardoor hun kansen om succesvol te zijn op een jacht drastisch te vergroten, " vertelde Janosov Phys.org . "Dit is met name interessant omdat we erin zijn geslaagd om deze uitzonderlijk complexe systemen - de jachtgroepen van grote carnivoren - te modelleren in een simulatie die lijkt op realistische kenmerken van het najagen van dieren, zoals omringen, optimale groepsgrootte, en eindige ruimte, alleen door een reeks compacte regels te gebruiken die zijn geformuleerd als krachtachtige interacties in de natuurkunde."

Hoewel er andere modellen zijn die roofdier-prooi-interacties beschrijven, het nieuwe model is anders vanwege het grote aantal factoren dat het verklaart, zoals de paniekdrempel van de prooi, het vermogen van het roofdier om de toekomstige positie van de prooi te voorspellen, en de interactie tussen meerdere predatoren, binnen gesloten grenzen met realistische maatregelen. Al deze parameters dragen bij aan het maken van een realistischer model dat nauwkeurig het gedrag beschrijft dat in de natuur wordt waargenomen door groepen roofdieren zoals leeuwen, wolven, en coyotes.

Door simulaties uit te voeren en de effectiviteit van verschillende combinaties van parameterwaarden te meten, de onderzoekers bepaalden de optimale combinaties die resulteerden in de meest succesvolle achtervolgingsstrategieën voor groepen. Onder hun resultaten, ze ontdekten dat slechts een of twee roofdieren nooit een snellere prooi kunnen vangen, en dat groepen van drie of meer alleen slagen met bepaalde samenwerkingsstrategieën.

Uit het model bleek dat drie roofdieren een optimale groep vormen bij het jagen in twee dimensies (zoals op het land) in een beperkte ruimte. In drie dimensies (zoals in de lucht of onder water), jagen wordt uitdagender, en groepen van vijf zijn optimaal. Deze groepsgroottes zijn vergelijkbaar met die in de natuur. Enigszins verrassend, de onderzoekers ontdekten ook dat een oneven aantal chasers het beter doet dan een even aantal, dat is vanwege geometrische redenen:met een even getal, het is waarschijnlijker dat er een opening blijft tussen roofdieren waardoor de prooi kan ontsnappen.

In hun model de onderzoekers observeerden ook opkomend gedrag, dat is gedrag dat alleen in groepen voorkomt. Vooral, groepen roofdieren beginnen vaak hun prooi te omsingelen, en dit gedrag komt rechtstreeks voort uit de achtervolgingsregels.

In de natuur, het is gebruikelijk dat prooien soms in een zigzagpatroon rennen om het roofdier te verwarren, en om uiteindelijk in een rechte lijn direct van het roofdier weg te rennen. De onderzoekers observeerden deze strategieën ook in hun model, en ontdekte dat zigzaggen vooral voordelig is wanneer de roofdieren een lange vertraging hebben in het reageren.

In de toekomst, de onderzoekers verwachten dat aanvullende interessante resultaten kunnen worden verkregen door het model aan te passen, zoals het onderzoeken van situaties met meerdere snelle prooien en het uitrusten van roofdieren en prooien met machine learning-algoritmen.

"Ons belangrijkste doel in dit onderzoek was om een ​​dieper inzicht te krijgen in het collectieve gedrag van dieren, om onze kennis over fundamentele vragen over diergedrag uit te breiden, "Zei Janosov. "Echter, gezien het feit dat onze onderzoeksgroep collectieve bewegingsalgoritmen ontwikkelt voor onze kudde quadrocopters, er zijn tal van potentiële toepassingen die we kunnen voorstellen. Bijvoorbeeld, een groep tactische drones die slimme omsingelingsstrategieën gebruiken, kan zelfs levensreddend worden in het geval van terroristische aanslagen, wanneer het doel is om terroristische vliegende voertuigen te vangen, of het achtervolgen van criminelen in nauwe, dichtbevolkte stedelijke gebieden.

"Naast deze, onze resultaten zouden zelfs in de entertainmentindustrie potentiële toepassingen kunnen hebben bij het ontwikkelen van veldspellen, eventueel gecombineerd met virtual reality-tools, of door het streamen van populaire sportevenementen, vooral degenen die wijdverspreid in de ruimte zijn, bijvoorbeeld fiets- of autoraces."

© 2017 Fys.org