T H O M Un S L . V yo N C E N T
Ingeniería aeroespacial y Mecánica
Universidad de Arizona
J O E L S . B R O W N Universidad de
Ciencias biológicas de Illinois en Chicago
Cambridge, Nueva York, Melbourne, Madrid, Ciudad de Cabo, Singapur, São Paulo
- -- - - eBook (NetLibrary)
- - - - eBook (NetLibrary)
- -- - - hardback
- - - - hardback
vii
viii Contenidos
Referencias 364
Índice 377
Figuras
x
Lista de figuras xi
Estrategias 257
8.19 Las cuatro especies que resultan del dos medioambiental
Condiciones (E1 a la izquierda y E 2 a la derecha). Cada
espectáculos de figura
El dos co-existiendo especie aquello ha evolucionado a
evolutionarily
Máximos estables 259
8.20 Un adaptive radiación hacia un cinco-especies ESS. Simpátrico
La especiación lleva el sistema de una especie sola hasta
Cuatro especie que converge encima no-ESS evolutionarily
Máximos estables 262
8.21 Un ESS coalición de cinco estrategias para el Lotka–Volterra
Modelo de competición 263
8.22 El adaptive radiación del predator–modelo de presa de un solo
Presa y un solo predator especie a un no-ESS comunidad de
Dos presa y dos predator especie 267
9.1 La estrategia u1 es un matricial-ESS 289
9.2 El adaptive el paisaje es lineal para el bi-juego lineal 289
9.3 Una coalición de dos estrategias puras existe para el juego
De pollo 291
∗
9.4 El G de función (v, u, p ) apechuga con un máximo apropiado
En v = 0.5469 297
9.5 El matricial-ESS la solución produce el número máximo
De niños 301
La línea sólida representa la forma física en hábitat 1 y el
10.1 torcido
dashed Tacha la forma física en hábitat 2. Cuándo la densidad
logra
Un nivel tal que el dos fitnesses es igual (designado por el
Cuadrado), cualquier aumento más lejano en densidad está
dividido entre el
Dos hábitats 307
La solución obtenida en el ejemplo anterior está encontrado
10.2 para ser
Establo convergente 314
10.3 La solución obtuvo satisface el ESS principio máximo 314
Resultados de dinámica de la estrategia en un ESS coalición de
10.4 dos estrategias 316
10.5 La solución obtuvo satisface el ESS principio máximo 317
Cuándo R < m Km equilibrio C es evolutionarily establo
10.6 (dejado
Tablero). Cuándo R > m Km equilibrio B es evolutionarily
Inestable (tablero correcto) 320
Después de que dos años las células de cáncer han evolucionado
10.7 a un máximo
En el adaptive paisaje 323
Después de los constreñimientos evolutivos han sido sacados,
10.8 cáncer
Desarrolla rápidamente en el primer año 324
xiv Lista de figuras
1
2 selección natural Comprensiva
Estas observaciones tienen que predate historia grabada. Aún así una
respuesta satisfactoria y unificada a por qué el encima cuatro patrones
existen ha sido disponible para único aproximadamente 150 años con el
desarrollo de la teoría de Darwin de evolución por selección natural. Más
recientemente, teoría de juego (la matemática utilizó para estudiar conflictos
de interés entre dos o más jugadores) – está siendo exitosamente aplicado a
modeling selección natural. La teoría de juego clásica de economía,
sociología, y la ingeniería ha existido como disciplina formal desde el 1940s
y 1950s, mientras teoría de juego como el formalismo para selección natural
ha existido desde el 1970s.
El objetivo de este libro es para mostrar que la síntesis de las ideas de
Darwin dentro del contexto de un juego evolutivo proporciona una la
mayoría de herramienta útil para comprensivo los cuatro patrones de
naturaleza. Porque el uso de teoría de juego evolutivo a modelo la selección
natural requiere una cantidad moderada de matemáticas, proporcionamos
todo de los conceptos y las herramientas matemáticas necesitaron en los
capítulos que sigue.
En este capítulo, empezamos por hablar la idea maravillosa de Darwin de
selección natural, introduce vida como un juego evolutivo, y explicar por qué
favorecemos un juego theoretic aproximación como complementar al más
familiar y orthodox genetical se acerca a selección natural.
La filosofía abarcó todos los aspectos de las ciencias. Entonces, tan hoy,
filosofía (literalmente el amor de cordura) persigue los hechos y principios de
realidad. Caídas de ecología a esta búsqueda para la realidad de la naturaleza
comprensiva, y los filósofos naturales reconocieron una cordura a naturaleza.
Toda exposición de organismos en sus características ingeniería excelente en
cabido de forma y función (FF&F) y la ingeniería muestra un commonality y
connectedness de diseño a través de toda vida de sencillo a complejo (
procesión de vida). Tiene de particular que, sobre las edades, las filosofías
naturales diversas tienen todo reconoció un diseño y componente de
ingeniería a naturaleza. Y, hasta el mid 1850s, todo de estas filosofías dibujó
una conexión muy lógica entre organismos y herramientas humanos como
herramientas diseñaron por naturaleza.
La conexión entre las herramientas en la casa humana y organismos en la
casa de la naturaleza está obligando. De ahí, esencialmente todo pre-
Darwinian las filosofías naturales tomaron el paso lógico próximo. Las
herramientas existen porque diseño de humanos y moda les con propósito y
forethought de intent, un reloj es prueba de un relojero.2 Commonality de las
características entre relojes refleja el reloj-la marca y el nivel del fabricante
de tecnología. Entonces sigue que la biodiversidad es una reflexión de un
Creador, de dioses, de Tierra de Madre, o de algunos otro personified fuerza
que espectáculos intent y propósito en el diseño consciente de sus
organismos. Para más culturas encima la mayoría de historia esta
construcción lógica aguantó balancear. Tan herramientas de marca de los
humanos tan algo más grande (singular o plural, masculino o femenino) hizo
vida. Esta vista filosófica de vida proporcionó un seamless blend para el
conocimiento ecológico de las personas y creencias espirituales. En el
decimonoveno cen-tury (el siglo de Darwin como Eiseley (1958),
acertadamente llama él) en Europa Occidental, y en Inglaterra en particular,
este punto de vista empezó para perder favor como aplicable a biología.
Lyell la geología mostró fuerzas qué actuales y no-personified los procesos
naturales podrían explicar las formas, tipos, y layering de rocas (Lyell, 1830). Y
dentro muchos de estos claramente rocas no vivientes eran el distintos re-mains
de vida anterior. Erosión, sedimentation, compresión, y volcanism proporcionó
para cambios geológicos con tiempo. Podría los destinos de rocas y vida ser
ligados juntos? Podría de modo parecido no-personified las fuerzas naturales
explican los orígenes y cambios de vida con tiempo? El essentialists (enlazado a
ideas griegas de vida mirroring o manifestando alguna realidad fija más profunda
y verdad) y bíblico creationists (Génesis como científico treatise) mezcló para
hacer sentido de
2
Aparentemente William Paley era el primer para utilizar la analogía. “. . . Supone que había
encontrado un reloj a la tierra . . . Este ser de mecanismo observó la inferencia pensamos es
inevitable, que el reloj tiene que haber tenido un fabricante . . . O él, todo inmediatamente nos
gira alrededor a una conclusión opuesta, concretamente que ningún arte o habilidad cualquier
cosa ha sido preocupada en el negocio. Puede esto ser mantenido sin absurdidad?” La
evidencia de evolución revela un universo sin diseño, por ello Dawkins es (1986) metáfora útil
del relojero ciego.
4 selección natural Comprensiva
Selección natural. Fisher (1930), Wright (1931), Haldane (1932), y otros ush-
ered en una época dorada de genética de población por colocar el estudio de
evolución en una fundación matemática firme. En crear esta fundación,
mostraron la compatibilidad de Mendelian genes, loci, y alelos con selección
natural, la evolución de cuantitativo traits, y systematics. Además, la receta de
inheri-tance proporcionó ideas a otras fuerzas de evolución (mutación y drift
genético) y a interacciones que podría ocurrir genéticamente dentro y entre
organismos. Las interacciones genéticas dentro de un organismo podrían ser
epistatic (muchos genes en dif-ferent loci puede contribuir no-additively a un
particular trait) y pleiotropic (un gen solo puede contribuir al fenotipo de varios
traits). Entre individu-als, la selección natural podría ser densidad dependiente
y/o la frecuencia dependiente dependiendo de si la medida de la población y/o
frecuencias de gen influyen el éxito de individual con fenotipos particulares,
respectivamente.
La Síntesis Moderna dirigió a la primacía de genes sobre heritable
fenotipos como los objetos de evolución. Esta primacía parece self evidente.
En la Síntesis Moderna, la evolución está definida como cambio en
frecuencia de gen. Aun así, nat-ural selección en plazos de FF&F tiene que
implicar las consecuencias ecológicas de heritable fenotipos. Puede un
estrictamente genetical aproximación ser suficiente para modelo-ing
selección natural? Modelos de gen-dinámicas de frecuencia determinan qué
ha sido seleccionado pero puede no necesariamente determinar qué
supervivencia o fecundidad apti-tudes del organismo ha sido seleccionado
para. El FF&F requiere entender ambos qué ha sido seleccionado y por qué.
El “por qué” requiere un foco en heritable fenotipos, particularmente cuándo
la selección natural es frecuencia dependiente. Tan, mientras la Síntesis
Moderna proporcionó un avance enorme en nuestro entendiendo de
evolución, taxonomía, y dinámica de gen, pueda haber unwittingly dificultó
un agradecimiento más lleno de selección natural por subordinar heritable
fenotipos a sus recetas genéticas.
Aquel sculpt y refine especie hacia un FF&F. Este aspecto de Darwin pers-
pective en la selección natural representa un adaptationist la búsqueda
programa cuál estudia las ventajas que los caracteres particulares podrían
conferir en el individual. Campos como ecología fisiológica, morfología
funcional, y ecología conductista (particularmente en el guise de foraging
teoría y socio-biología) produce más o menos hipótesis verosímiles para la
adaptación de un organismo heritable traits.
El adaptationist la aproximación a selección natural está apelando en
aquel parece para contener el espíritu de la idea original de Darwin. Aun así,
está construido en una fundación pobre. Tan scathingly notado en “El
Spandrels de San Marco” (Gould y Lewontin, 1979), el intuitively apelando
explicaciones para el valor de traits a un organismo descansó encima no-
ideas rigurosas y a menudo indefendibles de qué es valioso a un organismo y
qué es heritably factible. El adaptationist el paradigma en el 1970s careció de
funciones de forma física formal, declaraciones formales de qué era feasibly
heritable, y dinámica evolutiva formal. Aquí es el dilema. Genetical Las
aproximaciones han sido exitosas en modeling qué está seleccionado pero
ideas de carencia a por qué un carácter ha sido seleccionado. Adaptationist
Las aproximaciones han sido exitosas en proponer por qué un carácter ha
sido seleccionado para, pero a menudo carecer de un marco de modeling.
Aquí tomamos otra mirada en el adaptationist aproximación cuando
encarnando el espíritu de la teoría de Darwin de selección natural. Mientras
aplaudimos el formalismo y rigor de la población genética y aproximaciones
genéticas cuantitativas a evolución, consideramos vida como juego, y que un
juego theoretic la aproximación proporciona las herramientas correctas y un
nivel suficiente de rigor para un adaptationist aproximación a evolución por
selección natural. En este libro, presentamos vida como juego y desarrollar el
formalismo necesario a evolución de modelo por selección natural como juego.
Para hacer la transición de un estrictamente genetical perspectiva a un juego
theoretic un, vemos evolución como cambio en heritable fenotipos más que
como cambio en frecuencia de gen. De este punto de vista, recuperamos el
sentido de selección natural como un proceso de optimización que dirige a
adaptaciones, y apoyar la perspectiva del ingeniero que los organismos están
diseñados para una función.
Rocas e impedirles de ser barrido fuera por chocar olas. En bajamar ellos
almeja arriba de estanco de impedir desecación y en pleamar abren hasta
filtrar partículas alimentarias del swirling agua. Estos fisiológico, morpho-
lógico, y conductista traits parecer sensato en los organismos' ecología.
Conocen retos y oportunidades de proeza. Estos traits tiene que ser heritable,
y la selección natural ha producido este FF&F. El riñón de la rata de canguro
y los hilos del mejillón representan el diseño evolutivo presenta aquello deja
estos animales para sobrevivir en un según parece optimal manera bajo las
circunstancias. Explicaciones para esta caída de adaptaciones squarely dentro
la teoría de Darwin.
Para alguna especie de ranas, los coros de machos cantan en ponds y
waterways para atraer mujeres. En Costa Rica, para caso, las llamadas
también atraen la atención de murciélagos que comen rana (Tuttle y Ryan,
1981). Los machos, cuando en mucha especie del mundo animal, literalmente
está muriendo para amor. Un chorusing el macho pide un compañero, pero
puede llamar en su predator. Aún así él todavía coros. Por qué? Y, más
fundamentalmente, es esta adaptación compatible con FF &F? Tal chorusing
no es la manera única para mujeres para encontrar compañeros. Hay otra
especie de rana que consigue que hace partido más tranquilamente. Hay
costes y beneficios a chorusing, tal llamando parece para hacerlo más fácil
para mujeres para encontrar compañeros, deja machos para anunciar su
presencia, reduce macho survivorship, y alimenta murciélagos. Un col-
lective reducción en llamar volumen por los machos probablemente
dificultarían murciélagos' efectividad como predators con efecto
insignificante en mujeres' acceso a compañeros. Esta paradoja aparente en
comportamiento está resuelta cuándo apareando está visto como el juego
jugado con muchos otras ranas. La rana macho mejor chorusing la estrategia
depende de la elección de estrategia de mujeres y la estrategia de llamar de
otros machos. En el juego de apareamiento de la rana, chorusing funciona
principalmente para atraer compañeros fuera de otros machos. Un
economista deprisa vería este sistema de apareamiento como un juego
publicitario, donde los gastos publicitarios sirven principalmente para
desviar los clientes de uno es competidores más que para aumentar la piscina
global de clientes.
Dado las estrategias utilizaron por las mujeres y otros machos, la estrategia de
coro del macho es optimal en el sentido de maximizing su éxito reproductivo que
depende de el producto de survivorship y apareando éxito. Supone que apareando
aumentos de éxito y survivorship disminuciones con el volumen de un individual
chorusing; y que el revés pasa en respuesta al chorusing volumen de otros
machos. Si la mayoría de coro de machos tranquilamente, él behooves un macho
de llamar más fuerte – obtiene más de aparear el éxito que él pierde en
survivorship. Si la mayoría de machos son exceptionally fuertes, pueda behoove
el macho de llamar más tranquilamente – obtiene más de survivorship que
pierde de menos oportunidades de apareamiento. Entre estos extremos
publicitarios, una estrategia mejor existe donde las llamadas machos en el mismo
nivel de volumen cuando todo de los otros machos. El negocio entero de llamar
ruidosamente
12 selección natural Comprensiva
Parece para ser el peor dado las circunstancias (Brown y Pavlovic, 1992;
Cohen et al., 1999).
Problemas biológicos con estructura pequeña a una teoría más compleja que es
ap-plicable a problemas biológicos con mucha estructura. Afortunadamente, la
ruta a complejidad está basada en un principio subyacente que no cambia tan
añadimos capas de complejidad. Como consecuencia, uno puede entender las
ideas básicas por centrar en el problema fácil primero y dejando el más
complicado (y más interesante) problemas para más tardíos. Estructuramos este
libro consiguientemente.
El bulk del desarrollo matemático ocurre en Capítulos 2, 4, 5, 6, y
7. Capítulo 2 proporciona una introducción a modeling de población,
población dy-namics, puntos de equilibrio, y la estabilidad de estos puntos.
Capítulo 3 proporciona una introducción a juego clásico y evolutivo teoría.
La vida está vista como el juego y la etapa está puesto para teoría de juego
para proporcionar las herramientas para modeling la dinámica ecológica y
evolutiva asociada con selección natural, con la introducción de la forma
física que genera función (G-función) concepto. En-dividuals está dicho
para ser del mismo G-funcionar si poseen el mismo conjunto de
evolutionarily estrategias factibles y experimentar las mismas consecuencias
de forma física de poseer una estrategia dada dentro de un entorno dado.
Hay una conexión cercana entre un G -función y el plazo alemán bauplan, el
cual es un descriptor viejo para clasificar organismos por qué aparecer para
ser características de diseño común o reglas de diseño. El G -la función
puede ser pensada de tan describiendo tanto un organismo bauplan y las
condiciones medioambientales que los organismos tienen que tratar.
Capítulos 4, 5, 6, y 7 está estructurado en paralelo para dirigir los conceptos
necesitaron a modelo y analizar juegos evolutivos. En Capítulo 4 presentamos
una receta para hacer un juego evolutivo, empezando con un modelo de ecología
de población y mostrando cómo para construir un G -función de él. El G -la
función está utilizada en el desarrollo de ambos la dinámica ecológica y
evolutiva (Capítulo 5). Referimos a la combinación de dinámica de población
(cambios ecológicos en las medidas de población) y dinámica de estrategia
(cambios evolutivos en una especie' valor de estrategia) como Darwinian
dinámica. El Darwinian la dinámica puede converger encima la población y la
estrategia valora aquello es ambos establo convergente y cuáles no pueden ser
invadidos por estrategias alternativas raras. Los valores de estrategia obtuvieron
de este modo es evolutionarily estrategias estables (ESS). Capítulo 6 expande
en el ESS concepto de Maynard Herrero para proporcionar una definición formal
de un ESS. Un ESS tiene que ser establo convergente y optimal en el sentido de
maximizing la forma física de un individual dado las circunstancias y estrategias
de otros. El ESS principio máximo de Capítulo 7 proporciona condiciones
necesarias Para determinar un ESS. En plazos del G -funcionar el ESS es un
evolutivo óptimo aquello representa el FF&F. Nuestra aproximación en cada de
Capítulos 4–7 es para presentar la teoría en plazos del problema más sencillo
primero antes de emotivo a los problemas más complejos.
1.4 mapa de Carretera 23
u u u
i = i 1 ··· i nui
u= u1 ··· uns .
1
Estamos utilizando qué puede ser un unfamilier notación de subíndice (p. ej., ns ) para evitar
una proliferación de símbolos. La ventaja de esta notación es que es mnemotécnico y
jerárquico (p. ej., ns refiere al número de especies).
2
Desde las poblaciones pueden ser medidas en plazos de número, densidad, o biomasa, todos
de estos plazos están utilizados interchangeably.
30 matemática Subyacente y filosofía
3
2.1 Scalars, vectores, y matrices 31
u= u1 u2 u3
u u u u u
= u11 12 21 22 31 32
m m m
11 12 13
m m m
M= 21 22 23
Puede ser pensado de tan siendo compuesto de cualesquier tres vectores de
columna o dos vectores de fila. Mientras una matriz no puede ser pensada de
como punto en espacial, representa una generalización conveniente de un
escalar y vector. Aquello es, un escalar es una 1 × 1 matriz, un vector de
columna es un ns × 1 matricial y un vector de fila es un 1 × ns matriz. Aun
así, la utilidad de notación matricial va allende este cuando será evidente en
capítulos más tardíos. Ambas mayúsculas intrépidas y calligraphic las
fuentes suelen designar matrices. Desde scalars y los vectores están incluidos
como clases especiales de matrices necesitamos sólo definir las operaciones
elementales en plazos de matrices.
2.1.1.1 Adición
Dos matrices están añadidas (o restados) componente por
componente:
Un Un Un
2
Un b b + b23
Un21 22 23 + b21 22 23 = Un21 + b21 2 + b22 23
Un U U U
Un n b b b Un n n
11 12 13 11 12 13 11 + b11 12 + b12 13 + b13
O en notación matricial
Un + B = C.
Para adición para hacer sentido, las matrices tienen que tener las mismas
dimensiones.
32 matemática Subyacente y filosofía
2.1.1.2 Multiplicación
Dos matrices están multiplicadas de tal manera que uno toma el producto
interior de cada de los vectores de fila de la primera matriz con cada de los
vectores de columna de la segunda matriz. Unos resultados de producto
interiores en un escalares, por summing el producto de cada elemento del
vector de fila con su elemento correspondiente en la matriz de columna.
Cuando todas las combinaciones de los productos interiores de fila y
vectores de columna han sido calculados el resultado es una matriz nueva
cuya dimensión tiene el mismo número de filas como la primera matriz y el
mismo número de columnas como la segunda matriz
U U U
n 11 n 12 n 13 b21 b22
b b
21 22 23 11 12
b 31 b32
U U U
n n n
= Un
+ + 21 + +
Un b Un b b Un b Un b
Un21b11 22 21 23 31 12 22 22 23 32
Un b Un
11 1 + + 11 + +
Un b Un b b Un b Un b
1 12 21 13 31 12 12 22 13 32
O en notación matricial
AB = C.
Para multiplicación para hacer sentido, el número de columnas en el primer
mosto matricial igual el número de filas en la segunda matriz. Cuándo el
número de las filas en la primera matriz es iguales al número de columnas en
la segunda matriz, cuando es el caso en el encima ejemplo, el producto
produce una matriz cuadrada (números mismos de filas y columnas).
2.1.1.3 División
La división está definida para matrices cuadradas en plazos de un inverse.
Dejado M ser una matriz cuadrada de dimensión n × n entonces M−1 es su
inverse, proporcionado que
MM−1 = yo (2.1)
Dónde es el n × n matriz de identidad con unos a lo largo de su diagonales
y ceros en todas partes más
1 0··· 0 0
Yo 0 1··· 0 0
= . . . . . . (2.2)
. . .
. .
. .
.. .
0 0 ··· 1 0
0 0 ··· 0 1
Si un inverse existe, entonces la solución al sistema de ecuaciones
Hacha = b
2.2 sistemas Dinámicos 33
x = Un−1b.
Cuándo el inverse de una matriz existe, pueda ser encontrado utilizando la
definición (2.1). Cuándo la medida de una matriz es grande, todos de las
operaciones elementales son cumber-algún para actuar a mano.
Afortunadamente varios paquetes de software son disponibles a render tales
cálculos fáciles.
z (t + 1) = x1 (t + 1) = x2
z (t + 2) = x2 (t + 1) = −x1 − x2 = −z − z (t + 1) .
Ejemplo 2.2.2 (estatal-notación espacial para ecuaciones diferenciales)
El follo-ala segundo-ordenar ecuación diferencial normal
z¨ + z˙ + z = 0
Puede ser escrito en estatal-forma espacial cuando dos primer-ecuaciones
de orden
x˙1 = x2
x˙2 = −x1 − x2
Dónde z = x1. Este resultado es fácilmente verificado por empezar con z =
x1, tomando dos derivados y haciendo sustituciones apropiadas como sigue:
z˙ = x˙1 = x2
x i (t + 1) = fi (x) i = 1, · · · , 3 (2.3)
2.2 sistemas Dinámicos 35
6
O generaciones, en qué caso las unidades de generaciones tienen que quedar fijadas
incluso si la generación real se cronometra cambia.
7
Los valores de x en qué la dinámica de sistema no produce ningún cambio en x con el tiempo
es tradicionalmente llamó un punto fijo cuándo utilizando ecuaciones discretas y un punto de
equilibrio cuándo utilizando ecuaciones diferenciales. Escogemos utilizar “equilibrio” para
referir a ambos. Ve Inciso 2.5.1 para más detalles.
36 matemática Subyacente y filosofía
r = 1.5
1.5
1
x
0.5
00 2 4 6 8 10 12 14 16 18 20
r = 2.5
1.5
1
x
0.5
0
0 2 4 6 8 10 12 14 16 18 20
r=3
1.5
1
x
0.5
00 2 4 6 8 10 12 14 16 18 20
Número de
generación
Figura 2.1 Dinámicas del logistic mapa.
r = 1.5
1.5
1
x
0.5
0
0 2 4 6 8 10 12 14 16 18 20
r = 2.5
2
1.5
1
x
0.5
0
0 2 4 6 8 10 12 14 16 18 20
r=3
3
2
x
00 2 4 6 8 10 12 14 16 18 20
Número de
generación
Figura 2.2 Alterna logistic mapa.
1.5
1
r=3
r = 2.5
r = 1.5
x
0.5
00 1 2 3 4 5 6
Tiempo t
Figura 2.3 Continuo logistic modelo.
x˙ = x K (K − x ) .
Figura 2.3 ilustra la dinámica que utiliza la misma condición inicial, y K y r
valora tan en el anterior dos ejemplos. Nota que, en cada caso, el modelo
continuo se acerca la solución de equilibrio x = K y es similar a la dinámica
de los otros dos modelos sólo cuándo r = 1.5. De hecho, ecuaciones
diferenciales de la forma de (2.4) no puede producir cyclic movimiento a no
ser que la dimensión de x es 2 o más grande, ni puede movimiento caótico
ser producido a no ser que la dimensión de x es 3 o más grande.
2.3 población Biológica modelos 39
x i (t + 1) = x i Fi (u, x, y) (2.5)
x˙i = x i Fi (u, x, y).
Esta notación deja para el hecho que, en general, el plazo Fi depende de
strate-gies u, densidad de población x, y recursos y, todo de las variables
estatales que puede cambiar con tiempo. Parámetros que no cambia con los
tiempos son generalmente no incluidos en los argumentos de las funciones Fi
.
40 matemática Subyacente y filosofía
O
x i (t +
ln 1) t +1 H (u, x, y) dτ. (2.9)
x
i = t i
Por definición, las variables estatales en un proceso discreto quedan
constante entre los intervalos de tiempo. Esto en vuelta implica que Hi (u, x,
y) queda constante sobre el intervalo de tiempo de la unidad, dejando
integración de (2.9) para ceder
x i (t + 1)
ln = Hi (u, x, y)
O
x˙ = x [α (β − x )] (2.10)
Dónde α y β es parámetros constantes. La característica significativa de esta
ecuación es que tiene una solución de equilibrio otro que cero. En su forma
moderna con
α = r/K , y β = K , es sabido como el logistic ecuación que representamos
en plazos de la función de forma física escalara
r
H (x ) = K (K − x ). (2.11)
Los parámetros r y K , cuando notados en Ejemplo 2.2.3, es el índice
intrínseco de crecimiento y la capacidad de llevar respectivamente. Todo tres
modelos de población tienen un no-cero equilibrio en x = K . Cuándo x es
pequeño, el crecimiento será exponen-tial para el modelo continuo y
exponencial-gustar para los modelos de ecuación de la diferencia.
Logistic Crecimiento de población es a menudo una aproximación pobre a
índices de crecimiento de poblaciones reales (Slobodkin, 2001). Además el
modelo no puede tener un claro mechanistic interpretación en plazos de índices
de crecimiento intrínseco y automovilísticos-rying capacidades. Aun así,
conceptualmente representa el más sencillo primero-aproximación de orden de
cualquier población en qué disminuciones de forma física con medida de
población (Turchin, 2001). Es también un punto de partida conceptual valioso
para los modelos similares que implican interacciones interespecíficas como
competición y predation.
x˙ 1 = x1 (α − β x2) (2.12)
x˙2 = x2 (−γ + δx1)
2.4 Ejemplos de modelos de población 43
H1 (x) = K1 K1 −un1 j x j
j =1
.. ..
. = .
r ns
ns
K Un x j.
Hns (x) = Kns n − n j
s s
j =1
Nota que, cuándo ns = 1 y un 11 = 1, este sistema reduce al logistic modelo y
cuándo ns = 2, un11 = un22 = 0, un12 = β K1/α, un21 = δ K2/γ , r1 = α, y r 2 =
−γ , este sistema reduce al original Lotka–Volterra presa–predator modelo.
Como logistic crecimiento de población, este modelo puede ser un pobre
predictor de ac-tual dinámica de población en multi-especies interacciones
competitivas. Pero, representa el más sencillo primero-aproximación de orden de
cualquier multi-sistema de especies un-der inter- y competición intraespecífica.
El generalizado Lotka–Volterra el modelo es frecuentemente utilizado a modelo
co-existencia de competidores similares (Goh, 1980) mientras modelos más
comprensibles están utilizados para presa–predator sistemas.
Las varias constantes en el Lotka–Volterra modelo de competición tiene
su notación propia. El índice de crecimiento intrínseco ri es el
(exponencial) índice de crecimiento una especie tendría cuándo x es cercano-
cero densidad. La capacidad de llevar Ki es el no-cero densidad de equilibrio
para cualquier especie cuando toda otra especie es en cero densidad. El
coeficiente de competición uni j determina el efecto competitivo de especies
j en especies z˙.
j =1 j =n p +1
.
. .
.
.
= .
rn np ns
Hn p (x) Un x b x
−
p
K Kn p −
= np n p j
j =1
j
j
np 1
npj j
= +
ns
xj
Hn +1 (x) = rn +1 1− j =n p +1
n
p p p
b x
c n p +1, j j
j =1
2.4 Ejemplos de modelos de población 45
. .
. .
. = .
ns
j =n p +1 xj
H
ns (x) rns 1 nx p .
= − cb
ns j j
j =1
H1 (u, x) =
j =1
. ..
. =
. K u . −
ns ns Kns uns
ns
Unns j (u) x j .
r
ns
Hns (u, x) =
j =1
Un (u) exp .
46 Filosofía y matemática subyacentes
10
K
8
Llevand Capacid
ad
4
o
0
−8 −6 −4 −2 0 2 4 6 8
Estrategia ui
10
8
6
u , i )j u
Un(
0
−8 −6 −4 −2 0 2 4 6 8
Estrategia ui
H2 (u, x, y) = −R−d
2.4 Ejemplos de modelos de población 47
A modelo cómo las biomasas de dos planta diferente cambio de especie con
tiempo. El H1 función es para una especie de planta que es el nutriente
limitado y H 2 es para una especie de planta que es la luz limitó. Las
estrategias u1 y u 2 es las fracciones de biomasas cada especie de planta
dedica a raíces, y1 es nutrientes de tierra disponible, y2 es la disponibilidad
ligera, y los parámetros restantes r, R, d, ky1 , y k y2 es los parámetros fijos
particulares a este modelo. La disponibilidad de nutriente en la tierra es
modeled por una ecuación diferencial de la forma
N2 (u, x,y2) = 0.
Nota que las funciones de forma física no dependen de las biomasas de
planta x1 y x 2 y que sólo la estrategia de la primera especie está contenida en
la primera función de forma física y sólo la estrategia de la segunda especie
está contenida en la segunda función de forma física. La competición entre
las plantas tiene lugar sólo a través de los recursos y1 y y 2. Desde los
recursos disponibles a cada cual de las plantas depende de la biomasa de cada
especie así como las estrategias utilizaron por cada especie estas funciones de
forma física junto con las ecuaciones de recurso , de hecho, competición de
modelo.
x x x x .
i= i1 i2 i3
Consideramos sólo multistage población modelos dinámicos de la forma
x (t + 1) = xF T(u, x, y)
i i i
48 matemática Subyacente y filosofía
F F
21 22
Aquello es
x˙ = xFT.
De modo parecido al caso escalar expresamos diferencia y modelos de
ecuación diferencial en plazos de una matriz de forma física Hi
x i (t + 1) = x i yo + HiT (u, x, y)
nx
x˙i 2 = x i 1ui − x i
x
2 j1
j =1
2.5 estabilidad Clásica
conceptos 49
x (t + 1) = f (x)
O (2.14)
x˙ = f (x) .
No obstante, la estabilidad clásica representa un punto de partida para el
estudio de sta-bility del juego evolutivo. Revisamos algunos de estos
conceptos en esta sección. Estabilidad ecológica y estabilidad evolutiva, los
puntos focales de interés en el Darwinian juego, será formalmente
introducido en Capítulos 5 y 6.
50 matemática Subyacente y filosofía
+ −
52 matemática Subyacente y filosofía
x ∗= K .
En sistemas no lineales, a menudo pasa que una solución de equilibrio x∗ es
asymptotically establo, pero el punto de equilibrio no es globalmente
asymptotically establo. El ámbito de atracción D para un asymptotically punto
de equilibrio estable es el conjunto de estados iniciales x (0) de qué soluciones
x(t ) converge a x ∗ cuando
t → ∞. Otro concepto útil es que de un conjunto invariable. Un conjunto X es un
conjunto positivamente invariable si para cada x(0) en X el correspondiente
trajectory x(t ) restos
En X para todo los tiempo futuro t ≥ 0. Un conjunto X es un conjunto
invariable si x(0) ∈ X implica x(t ) ∈ X para todo tiempo, −∞ < t < ∞.
2.5.3 Linearization
Podemos investigar la estabilidad de un punto a favor de equilibrio un
sistema de ecuaciones no lineales, al menos localmente, por examinar el
linearized ecuaciones de movimiento. Esta aproximación es sabida cuando
Lyapunov es Primero (o Indirecto) el método y él pueden proporcionar
propiedades de estabilidad local en muchas aplicaciones (Vincent y
Grantham, 1997).
Dejado X∗ ser una solución de equilibrio al sistema no lineal
X(t + 1) = f(X)
O (2.19)
˙
X = f(X)
Aquello satisface f(X∗) = X∗ (sistema discreto) o f (X∗) = 0 (sistema continuo).
Para investigar la estabilidad de X ∗ necesitamos examinar la naturaleza de
soluciones con las condiciones iniciales cercanas X∗. Esto está hecho por
encontrar una aproximación lineal a (2.19) y entonces examinando las
propiedades de estabilidad del sistema lineal. Primero definimos una solución de
perturbación como la diferencia entre la solución real al sistema no lineal y la
solución de equilibrio x(t ) = X(t ) − X∗. Si escogemos x (0) para ser en un
barrio pequeño de X ∗, entonces del teorema de Taylor, mientras la solución de
perturbación x(t ) queda pequeño, su movimiento está determinado por un
sistema de ecuaciones de perturbación estatales lineales
x(t + 1) = (2.20)
Hacha
O
x˙ = Hacha
Conceptos de estabilidad
2.5 clásica 53
Un
∂ f(X) ∂ X1 ··· ns
= ∂X = .
. .
. .
.
∂f
(X) ∂f (X)
. . .
ns ns
∂ X1 ··· ∂X
ns X X∗
=
Evaluado en el punto de equilibrio X∗. Mientras la solución de perturbación
queda pequeña la solución al sistema no lineal es estrechamente aproximado por
X(t ) = X∗ + x(t )
Dónde x(t ) es la solución al sistema lineal (2.20). Además las propiedades de
estabilidad locales de X ∗ será exactamente igual como las propiedades de
estabilidad de la solución de equilibrio para el sistema lineal (i.e., x∗ = 0).
En resumen, determinamos la estabilidad local del equilibrio no lineal
punto X∗ por examinar la estabilidad de la solución de equilibrio x∗ = 0 para
el linearized sistema (2.20). Nota que para sistemas lineales, la estabilidad
local implica estabilidad global, pero esto necesita no ser el caso para
sistemas no lineales y los resultados tienen que ser interpretados
consiguientemente.
Vemos que el punto inicial x(1) está propagado una iteración al próximo por
añadir un más poder a Un . Dado un no-cero vector para x(1), vemos la
manera única que x(n) → x∗ = 0 cuando n → ∞ es para Un n−1 → 0 cuando
n → ∞. Para encontrar condiciona cuál garantizará esto, reescribe
x (t + 1) =
Hacha (2.21)
Cuando
z (t + 1) = z.
Dónde x y z está relacionado a través de la transformación no
singular
z M−1x x Mz (2.22)
= ⇐ ⇒ =
Y
= M−1SOY.
Si el eigenvalues de Un es distinto y si M está escogido para ser una matriz
del correspondiente eigenvectors, entonces será una matriz diagonal con el
eigen-vectores abajo la diagonal (Grantham y Vincent, 1993). Esto significa
que el conjunto de z las ecuaciones es completamente desacopladas y de la
forma
z1 (t + 1) = λ1 z1
z2 (t + 1) = λ2 z2
. .
. .
. =.
Dónde λi es el eigenvalues. Sigue aquello
n−1
z (n) z (1)
=
Y que n−1 → 0 proporcionó que |λi | < 1. Porque (2.22) es una
transformación no singular, esto también proporciona los requisitos en Un .
En otras palabras, para el constante-coeficiente sistema lineal (2.21) el
origen es globalmente asymptotically establo si y sólo si los valores
absolutos de todo del eigenvalues del matricial Un es menos de 1.
1−
x2 (t + 1) = x2 1 + r2 cbx1 .
x2
2.5 estabilidad Clásica conceptos 55
!
∂ x1 1 + 100 ∂ x1 (100 − x1)
− 0.1x2 " = 1. 25 − 0.005x1 − 0.1x2
0.25
! ∂ x2
+ − 0.1x1 " = −0.1x1
x2 2
x
∂ x2 1 0.1 1
2
! ∂ x1 = x1 2
∂ x2 1 + 0.1 1− 0.12x1 " 11x1 − 10x2
x2
x
x
∂ x2 = 10x1 − 1
Nos dejo para evaluar la matriz −
= x2 10 x1 x
1 = 100 0.9
1.25 − 0. 005x 0.1x − 0.1x
2 1 − 2 1 x1 20,x2 2
0.95 2.0
Un 1
x2 11x1 10x2 −
x2 1 − .
= =
El eigenvalues de esta matriz es
x˙ = Hacha. (2.23)
Si desacoplamos este sistema que utiliza (2.22) para obtener
z˙ = z
z˙1 = λ1 z1
z˙2 = λ2 z2
. .
.=.
. .
Cada cual uno del cual tiene una solución de la forma
z j (t ) = z j (0) eλ j t .
Para z j i (t ) → 0
cuando t → ∞, está requerido que
λ t (σ ±i ω )t
e j =e j j = eσ j t (cos ω j i t ± i Pecado ω j t ) → 0 (2.24)
Cuando t → ∞ √
donde i En (2.24) refiere al número complejo i = −1. Así
eλ j t → 0 cuando t → ∞ proporcionó que σ j < 1. Porque (2.22) es una
transformación no singular, esto también proporciona los requisitos en Un .
Aquello es, en orden para el origen para ser establo para el constante-coeficiente
sistema lineal, todo del eigenvalues de Un mosto ha Re(µ j ) ≤ 0, donde Re(·)
denota partes reales. Si cualquiera del eigenvalues tiene una parte real positiva
entonces allí es al menos una solución x(t ), empezando arbitrariamente cercano
x = 0, para qué x(t ) → ∞ cuando t → ∞, el cual implica que el origen es
inestable. Por tanto, concluimos: para el constante-coeficiente sistema lineal
(2.23) el origen es globalmente asymptotically establo si y sólo si todo del
eigenvalues del matricial Un tener partes reales negativas.
r2 = 0.1
K1 = 100
b = 0.1
c=1
Las soluciones de equilibrio están obtenidas por
solucionar
x1 100 (100 − x1) − 0.1x2 =0
0.25
x2 0.1 1 − 0.12x1= 0,
x
C
ua
Mism Solucion nd Discret Caso
Cediendo el o es o En El o , {x2 = 0, x1 = 100},
{x1 = 20, x2 = 2} . Calculando los derivados parciales
∂ ! x1 100 (100 − x 1) − 0.1x 2 "
0.25
!
∂ x1 100 (100 − x1)
∂ x1 − 0.1x2 " = 0.25 − 0.005x1 − 0.1x2
0.25
∂ x2 x2
0.1 1
! ∂ x1 0.12x = x1 2
∂ x2 0.1 1− 1 " x1 − 20x2
∂ x2 = 10x1
Nos dejo para evaluar la matriz −
= x2 10 x1 = 100 0.1
0.25 − 0. 005x 0.1x −0.1x
2 1 − 2
x
1 x1 20,x2 2
0.05 − 2.0
Un x2
1
1 20x2 −1 − .
= =
El eigenvalues de esta matriz es
x (t + 1) = Hacha
x˙ = Hacha
x∗ = 0
Es la solución de equilibrio única.9 La estabilidad de este punto de equilibrio está
determinada por el eigenvalues de la Una matriz. Si uno o más eigenvalues tener
una parte real positiva entonces si el estado inicial es cualquier punto otro que x∗
el movimiento será unbounded.10 Aun así, si todo el eigenvalues haber no-partes
reales positivas entonces x∗ es estable11 y dos tipos de movimiento son posibles.
Estos son estabilidad asintótica (todo del eigenvalues tiene partes reales
negativas) y órbitas periódicas (con algunos del eigenvalues habiendo cero
partes reales). Un péndulo sencillo con y sin la fricción en el punto de pivote
ilustra ambos tipos de movimiento. El péndulo con la fricción siempre regresará
a su posición de equilibrio descendente cuándo desplazada. Si empezamos un
frictionless péndulo en un ángulo +θ del vertical, balancee para siempre entre −θ
y+θ.
2.5.7.2 sistemas No
lineales sistemas No lineales de la forma
x (t + 1) = F (x)
x˙ = F (x)
F x∗ = x∗
9 −1
Si Un no existe, entonces hay un conjunto del equilibrio señala igual a un subspace (línea,
avión, etc.) a través de x = 0 de dimensión ns − Rango [Un] .
10
El movimiento inestable es también posible con no-partes reales positivas si allí está repetido
eigenvalues con cero partes reales y el correspondientes eigenvectors no es linearly independiente.
11
Proporcionado que cualquier repetido eigenvalues con cero partes reales haber eigenvectors
aquello es linearly dependiente.
60 matemática Subyacente y filosofía
F x∗ = 0.
Además de estabilidad asintótica y órbitas periódicas, hay tres tipos adicionales
del movimiento estable posible: ciclos de límite, quasi-órbitas periódicas, y
movimiento caótico. Un ciclo de límite estable es un periódico trajectory sin
vecinos periódicos. Bastante, neighboring trajectories está atraído al ciclo de
límite. El trajectory haciendo el ciclo de límite es mucho como la pista en un
rodillo coaster. Pueda torcer y vuelta en espacial, pero siempre acaba donde
empiece. Un quasi-la órbita periódica es mucho como las órbitas periódicas
encontradas en los sistemas lineales exceptúan que cada vez regresa cerca su
punto inicial está desplazado por una cantidad pequeña. Uno puede pensar del
trajectory winding alrededor de la superficie de un torus, el trajectory nunca
repite, pero después de un tiempo infinito deviene arbitrariamente cerrar a ser
periódico. Productos de movimiento caótico trajectories aquello vaga erratically
en un acotado caótico attractor sin los repetir, con neighboring trajectories
separando exponentially con tiempo. Cuando el nombre implica, un caótico
attractor atrae trajectories aquello no es inicialmente parte de él. Movimiento en
el attractor es “quasi-periódico” en el sentido que cada punto en el caótico
attractor consigue un tiempo de visita cercano y otra vez como el trajectory
vientos su manera en el attractor, pero los intervalos de tiempo para tal un
acontecimiento son aleatorios y nunca pasa en exactamente la misma manera. Un
ejemplo sencillo está dado por el discreto logistic ecuación (mayo, 1976). Para
discusión más lejana de no-movimiento de equilibrio en un contexto evolutivo ve
Rand et al. (1994).
3
El Darwinian juego
1
Si hay sólo un jugador en un juego, entonces el problema de juego y el problema de optimización
son igual. De este modo, todos de teoría de optimización estándar pueden ser vistos como uno-
juego de jugador.
64 El Darwinian juego
2
Recuerda que los modelos utilizaron para representar la dinámica de población también puede
ser cualquier continuo (ecuaciones diferenciales) o discretos (ecuaciones de diferencia).
Cualquier tipo de estrategia puede ser utilizado con cualquier tipo de población–modelo
dinámico.
3.1 juegos Clásicos 65
∂ u1 = 0 y ∂ u12 < 0.
Actuando estas operaciones encontramos aquello
y
2u Y por ello u2∗=
u1∗ = n 2 2un2.
En el encima ejemplo, la madre payoff no depende de las elecciones hicieron
por otras madres. Esto necesita no ser el caso. Suponer el payoff a un indi-vidual
seleccionando una estrategia también dependida de lo que otro individual
seleccionó y viceversa. Entonces tenemos un juego. Cuando notado en Sección
2.3, un modelo ecológico de dinámica de población describe forma física y
crecimiento de población índices. La forma física proporciona el payoff en el
juego evolutivo. En construir un evo-lutionary juego, la relación funcional entre
estrategias y forma física tiene que ser definida. Miraremos primero en teoría de
juego matricial para proporcionar esta relación entre estrategias y payoff. En el
juego matricial tradicional, el conjunto de elecciones de estrategia es finito y
discreto, y par de individual-hasta determinar cada cual otro es recompensas. Una
mucha clase más ancha de juegos matriciales está considerada en Capítulo 9.
Macho payoff
matriz
Hockey Ópera
Hockey Unm bm
c d
Ópera m m
DE
FECT?? ?
E??
T
RA
OP E
CO
D E
F
CT
?? ?
COO E
P RENE??
Mismo 2 × 2 matriz como el dilema del prisionero pero con una relación
diferente entre los elementos. Dos niños en carrera de bicis hacia cada otro
y el primer a swerve es el pollo. Dejado Un ser una estrategia de swerving
para evitar una colisión (buceó) y B la estrategia de no swerving (hawk). El
payoffs es scaled de modo que: un 11 > un22, un21 > un11, un12 > un22, y
un12 + un21 > 2un22. En este juego, Un es la respuesta mejor a B, y B es la
respuesta mejor a Un. El juego de pollo trae memorias posteriores
(desagradables para nosotros tipos más suaves) del grado juego escolar-
tierra.
un un
Un = 11 12
Un un
21 22
Podría ser de uno de los juegos describió encima. Por ejemplo, un juego de
estrategia mixta de pollo tendría los mismos elementos en Un tan el juego de
pollo describió encima. Multiplicando el matricial Un por los dos vectores de
estrategia cosechas
Un B C D
Un 3 6 5 3
B 5 9 1 2
C 3 11 5 1
D 2 7 6 4
Cada jugador tiene cuatro elecciones de estrategia (escoge fila Un, B, C, o D) y
hay méritos a cada cual de ellos. Estrategia Un es un max-min estrategia. Es el
pessimist estrategia: “desde entonces no soy seguro lo que mi adversario va a
jugar, estoy yendo
70 El Darwinian juego
H1 = f1 (u)
.
.
.
H f (u)
ns = ns
Dónde u = u1 · · · uns .
3.1 juegos Clásicos 71
H1 = −u2 K2 + u1u2 K2 − u1
H2 = u2 − αu1u2
E ui , u j = un − cu j cuándo ui > u j .
ent
x˙i = x i Hi (x, u) (3.1)
Dónde u
= u1 · · · uns , x = x1 · · · xn s . Porque hayn s diferir-
Estrategias, es razonable de suponer que la forma física de estrategia i
es la suma del esperado payoffs de jugar u i en contra todas las estrategias
en proporción a sus números en la población, aquello es
n
s xj
Hi (x, u) = w0 + E ui , u j N (3.2)
Dónde j =1
n
s
N= xk
k=1
3.2 juegos Evolutivos 73
La forma física sola que genera función (definido más tardío), el cual
llamamos el G -función. En lo que sigue, muestramos para el problema más
sencillo (ve Inciso 1.4.1) que cuándo el individual son evolutionarily
idénticos, las funciones de forma física, Hi , intro-duced en Inciso 2.3.2
puede ser reformulated como la forma física sola que genera función (G-
función). El mismo procedimiento es fácilmente adaptado para los problemas
más complejos también.
Para el problema más sencillo, la población está compuesta de individual
con n s estrategias escalaras diferentes. Todo de las estrategias actualmente
en la población está dada por el vector de fila
u= u1 ··· uns
x = x1 · · · xn s
4
Más generalmente, la caracterización llena de un organismo requiere un vector-estrategia
valorada cuya dimensión equals el número de independiente, heritable traits comprendiendo el
organismo como la forma de un pez en plazos de longitud, profundidad, y breadth (Brown et
al., 2005). Desde entonces estrategias de vector añaden su propios notational carga, les
consideramos más tarde.
3.2 juegos Evolutivos 77
Para el problema más sencillo, suponemos que, para una estrategia dada u,
allí existe al menos uno no-cero solución de equilibrio x∗ (i.e., no cada
componente de x ∗ es cero). Hay dos maneras podemos encontrar un no-
cero solución de equilibrio para x∗. Una manera es para solucionar para x∗
del sistema de ecuaciones
Hi u, x∗ = 0, i = 1, · · · , ns .
5
Los detalles más lejanos para este caso están presentados en Sección 4.7.
80 El Darwinian juego
N= xi
i =1
Con la frecuencia de individual
xi ns
pi = N Dónde pi = 1.
i =1
Reemplazando x i = pi N en el G-función, y notando que
N
p G(v, u, p, N)|
N i v=ui
=
i =1
Definimos forma física mediana
ns
G (v, u, p, N) v=ui = pi G(v, u, p, N)|v=ui .
i =1
Sigue aquello
˙
p˙ N x˙i − x i N
i = N2
= p G(v, u, p, N)
i
|
v=ui − p G (v, u, p, N).
i i
v=u
x˙i = x i f (ui ) − ui x i .
i =1
3.2 juegos Evolutivos 81
G(v, u, p, N) = f (v) − N ui pi
i =1
i =1 i =1 i =1
= pi G(v, u, p, N)|v=ui − G(v, u, p, N)v=ui
ns ns
˙
N=N pi f (ui ) − Nui pi (3.5)
i =1 i =1
= N G(v, u, p, N) v=ui .
Los formatos son equivalentes y cederá exactamente los mismos resultados.
La diferencia única es en plazos de perspectiva. A veces (especialmente en
juegos matriciales) la medida de población total N está supuesto constante
(o ignorado), dejando dinámica de frecuencia única, (3.4). En tal caso
habría ninguna dependencia de densidad explícita. Alternativamente la
frecuencia podría ser supuesta constante dejando dinámica de población
única (3.5) sin dependencia de frecuencia.
El corazón del mamífero y muere – un corazón parece como una idea buena
para supervivencia de un mamífero-gustar organismo. También conduzca
ideas profundas y pensando con respecto a traits como altruismo que parecía
no-optimal o contador-productivo al individual. Sloppier Formas de la
adaptación que piensa dirigido a agudo y a menudo ac-comisariar críticas de
aplicar optimality a los resultados de selección natural (Gould y Lewontin,
1979; Agujerea y Ollason, 1987), pero ver Queller (1995). Aquí otra vez, la
genética estuvo vista como la solución a estos problemas. La evolución
podría ser definida tan cambio en frecuencia de gen. Diferencias de forma
física entre indi-viduals poseyendo las combinaciones diferentes de genes
produjeron selección natural. Y la composición genética resultante de la
población que sigue este génico y genotypic dinámica de forma física
representó el resultado pronosticado de selección natural.
Genética de población y la genética cuantitativa parecían para resolver
muchos emite levantados por la aproximación de adaptación. Debajo densidad-
independiente y frecuencia-selección independiente, la población adquirió un
genético compos-ition que maximized el índice de crecimiento de la población.
Debajo densidad-dependiente y frecuencia-selección independiente, la
composición genética de la población evolucionado con objeto de maximize
medida de población del equilibrio. Desafortunadamente, debajo frecuencia-
cambios de selección dependiente en poblaciones de producto de frecuencia de
gen que no aparece para optimizar cualquier característica de la ecología de la
población. Con conceptos como conexión, epistasis (un gen solo influye varios
traits), y pleiotropy (varios genes interaccionan para producir un solo trait),
genética de población parecía para explicar el mantenimiento de variabilidad
genética, la persistencia de qué aparecer para ser maladaptive fenotipos, y
cambios correlativos en traits. Con Hamilton es (1963) regla y el concepto de
inclusive forma física, genética de población podría utilizar el concepto de los
genes que son idénticos por descenso para entender la evolución de altruismo
por el cual un individual puede sacrificar forma física personal para contribuir a
la supervivencia o fecundidad de un pariente. Así que era Darwin en su
ignorancia de la receta de la herencia meramente afortunada en venidero arriba
con una idea potente para la razón incorrecta? O selección natural supervene la
genética subyacente (Mitchell y Valone, 1990)?
Un agradecimiento lleno de dinámica de estrategia (Meszena et al., 1997) y el
objec-tive de la selección natural requiere un foco en heritable fenotipos
(=estrategias) así como las unidades fundamentales de herencia. En su núcleo,
evolución por nat-ural sorteos de selección en ambos principios evolutivos y
ecológicos. Aún así evol-utionary ecología, aquel armonioso blend de qué es
evolutionarily factible y qué es ecológicamente aceptable, a menudo ha sido
difícil de conseguir. Combinando los genes de genética de población con los
individual de ecología de población es difíciles en mejores. Por otro lado, el
heritable fenotipos de individual
3.3 Evolución por selección natural 87
. .
. .
. = .
r ns
ns
K Un x j.
Hns (x) = Kns n − n j
s s
j =1
Para paso 2, notamos que muchos de los parámetros utilizaron en el por encima
de los modelos podrían ser cualquier adaptive parámetros o funciones de
adaptive parámetros. Por ejemplo, ri , Ki , y uni j poder todos dependen de
conversión y índices metabólicos eficacias y si estos más básicos (adaptive) los
parámetros estuvieron cambiados para aumentar decir r i probablemente puede
que Ki disminución, con uni j cambiando también. Considerar la situación
donde cada ri es igual a la misma constante
ri = r,
Cada función Ki es de la misma forma funcional que depende sólo en el
escalar adaptive parámetro ui
K i = K (ui ) ,
Y cada función uni j es de la misma forma funcional que depende de el
adaptive parámetros ui y u j
Uni j = un ui , u j .
El Lotka–Volterra el modelo es entonces expresado cuando
H1 (u, x) = .
.
. =
i
K (u ) i
K (u ) − i j
Un u , u x j
r ns
Hns (u, x) =
.
j =1
.
K u .
ns K uns Un ui , u j x j.
ns
−
j =1
Para completo el modelo, relaciones concretas para K y un mosto ser dado.
En Inciso 2.4.5 utilizamos las funciones de distribución siguientes
= −
u2
2σk2
K (ui ) Km exp
2σun
2
Un ui , u j
= exp
− ui − u j
2
.
4.2 Tipos de G-funciones 91
j =1
Dónde
2
= − v k2
2σ
Estructura de etapa. Aun así, por utilizar notación apropiada, G-las funciones
pueden ser de-termined para sistemas con vector-valoró estrategias, grupos
de individual que no es todo evolutionarily idéntico, e historias de vida con
edad o etapas explícitas clases. Desafortunadamente, la notación deviene
horrendous si intentamos para hacer todo inmediatamente. Bastante,
miraremos en cada de estos casos con tanta generalidad como posible sin
crear un notational sobrecarga.
El resto de este capítulo está dedicado a categorizing cada vez más com-plex
G-funciones que está hablado con más detalle otra vez en capítulos más tardíos.
Hemos intentado para hacer las categorías corresponden a clases de problemas
que hemos estudiado y encontrados para ser útiles. Si un problema particular no
cae dentro de una categoría dada, tenga que ser aparente cómo para modificar
los resultados dados aquí. Por ejemplo, si uno está interesado en multistage G-
funciones con estrategias de vector, entonces uno puede utilizar la notación de
ambos el multistage G-funciones y el G -funciones con estrategias de vector para
manejar este caso.
u= u1 ··· uns .
ui ∈ U, i = 1, · · · , ns , (4.3)
Dónde U es un subconjunto de una estrategia unidimensional espacía aquello
representa las elecciones de estrategia factibles después de todo (si cualquier)
los constreñimientos han sido impuestos. Para cuantitativo traits, los
constreñimientos son sencillamente superiores y más bajos bounds colocados
en los componentes del vector de estrategia. Como taquigrafía, utilizamos
u∈U
En sitio de (4.3).
4.4 G-funciones con estrategias de vector 93
La definición del G -la función para este caso está dada por (ve Definición
3.2.1)
Dónde i = 1, . . . , ns .
Ejemplo 4.3.1 (L–V juego de competición) Ejemplo 4.1.1 es uno de muchos
modelos basó en el Lotka–Volterra sistema. Podemos obtener muchas variantes
de este juego por sencillamente cambiando las relaciones funcionales para r , K ,
o un. Para el L–V juego de competición, nosotros otra vez uso (4.1) con el
symmetric distribu-tion para la capacidad de llevar cuando dado por (4.2). Aun
así, el modelo difiere de
ui ∈ U, i = 1, · · · , ns . (4.4)
Dónde U es un subconjunto de un nu -la estrategia dimensional espacía
aquello representa las elecciones de estrategia factibles después de todo los
constreñimientos han sido impuestos. Como taquigrafía, nosotros otra vez
uso
u∈U
En sitio de (4.4).
El vector de todo presente de estrategias en la comunidad está dado por
uns
Dónde u es la concatenación de las estrategias de vector de toda la especie.
Aquello es, el primer nu los componentes de este vector pertenecen a x 1, el
segundo nu los componentes pertenecen a x 2 y tan encima. En conjunto forman
un vector de n s particiones con
a La longitud total determinada por el producto ns · nu . Por ejemplo, supone
que ns = 3 y n u = 2. Los tres vectores de estrategia están dados por
u u u
1 = 11 12
u u u
2 = 21 22
u u u
3 = 31 32
Con
u u u u u u
u= 11 12 21 22 31 32
Claramente, la estrategia del individual focal cuando dado por la variable virtual
en G (v, u, x) es también un vector de dimensión nu . La dinámica de población
para estos
4.4 G-funciones con estrategias de vector 95
Dónde i = 1, . . . , ns .
Ejemplo 4.4.1 (L–V matón grande juego) otra vez utilizamos el Lotka–
Volterra com-petition modelo (4.1), pero ahora introducir un vector-
estrategia valorada que tiene dos componentes. El primer componente
influye llevar capacidad
2
v1
K (v) 1 v2 2 Kmax exp
= − − 2σk2
Y los coeficientes de competición
Un v, u v1 − u j 1 + β β2
2
j 1 B j exp exp
2σun
= + − 2σun −
2
− 2
En la misma manera cuando en Vincent et al. (1993) y Cohen et al. (1999).
Aquello es, un individual está llevando la capacidad cabe una distribución
normal con respetar al primer componente de su estrategia, v1. La competición
experimentada por un individual de otro individual de su especie propia o
diferente está influido por la diferencia entre el primer componente de la
estrategia del individual y el primer componente de la estrategia de otra especie.
El factor β describe el nivel de asimetría en competición. Cuándo β > 0, un
individual con un valor más grande para v1 tiene un efecto negativo más grande
en un individual con un más pequeño v1 que el valor más pequeño tiene en el
más grande. La función de competición sigue una distribución normal con
respetar a v 1. Además, el coeficiente de competición, mediante un plazo de
ajustamiento aditivo, apechuga con un valor de 1 cuándo el individual
comparten el mismo valor para el primer componente. El segundo componente
de la estrategia de un individual, v2, influye llevar capacidad, cuando indicado,
y los coeficientes de competición vía una “función” de matón
B j = 1 + Bmax u j 2 − v2 .
La función de matón, utilizado en el encima ejemplo, describe formas de
com-petition donde siendo ligeramente más grandes que vuestro vecino confiere
una ventaja competitiva por reducir los efectos negativos de otros y crecientes
uno es efecto negativo propio encima otros. La altura en árboles proporciona un
ejemplo obvio. Siendo más alto que uno es vecino aumenta uno es acceso propio
para encender a expensas de individual más cortos que es ahora sombreó. Esto
favorece una clase de carrera de armas en
96 G-funciones para el Darwinian juego
y= y1 ··· yn y
U = {u ∈ R | u > 0}.
(Uno lee esta ecuación cuando: el conjunto U está compuesto de todo u, un
elemento del-espacio de número real dimensional R tal que u es un número
positivo.) Supondremos que hay allometric relaciones entre medida de
cuerpo y probabilidad de encuentro, manejando tiempo, y costes
metabólicos
y˙ = r (K − y) − 1 + Un H ui(α−β) y
i =1
En este modelo, porque la competición entre consumidoras es meramente
exploitative, la especie de consumidor no directamente influye cada cual otro es
forma física. Las estrategias y medidas de población de otras consumidoras
introducen el G-funcionar sólo a través de su
4.6 G Múltiple-funciones 99
r0 = 0
1
n n
r1 = s1 = s j
j =1
2
r2 =ns j
j =1
.
.
.
n
G
n n 1
rnG = s j = s ≥
j =1
O más compactly
i
ri = ns j Para i = 1, · · · , ng
j =1
x2 =
x3 =
x
nG =
x1 · · · xr 1
x x
r 1 +1 ··· r2
Tomando nota de la definición para r 0, podemos escribir esto más compactly cuando
x x x
i= r (i −1) +1 ··· ri
x= x1 ··· xn g .
Los miembros de cada G-la función tiene las estrategias dibujadas de una
estrategia puesta aquello es una propiedad del bauplan y generalmente único
a cada G-función. Cuando en el caso de estrategia del vector encima,
requerimos una notación de subíndice doble para especificar una estrategia
particular dentro de un G dado-función. Las estrategias utilizaron por el i th
la especie está dada por
u u
ui = i 1 ··· i nu j
u u u u
1 = 11 12 13
u u u u
2 = 21 22 23
u u u
3= 31 32
u= u1 ··· un g .
Esto nos doy una notación compatible con uso anterior. En el encima
ejemplo, el vector de todas las estrategias está dado por
u u u u u u u u
u = u11 u12 u13 21 22 23 31 32 41 51 61 .
ui ∈ U j (4.6)
102 G-funciones para el Darwinian juego
Dónde
i = r0 + 1, · · · , r1 Para j=1
i = r1 + 1, · · · , r2 Para j=2
.. .. .. (4.7)
. . .
i = r j −1 + 1, · · · , ns Para j = nG .
Más compactly, en vez de (4.7) podemos
escribir
(4.8)
Para j = 1, · · · , ng
i = r j −1 + 1, · · · , r j .
Una vez más utilizamos
u∈U
Como taquigrafía para (4.6) y (4.8). Para aquellas situaciones en qué las
estrategias utilizaron en cada G-la función es scalars, la notación está
simplificada por caer el subíndice doble. En este caso utilizamos u1 para
u11, u2 para u21, etc. con
u = u1 · · · ung .
G (v, u, x) H (u, x)
j v=ui = i
Dónde i y j está determinado según (4.8), u, y x está definido tan encima y v
es la variable virtual para ser dibujada del U j la estrategia puesta según (4.8). Por
ejemplo, si hay dos G-funciones en qué el primero tiene dos especies con una
estrategia de dos componentes el vector y el segundo tiene una especies
Con una estrategia de tres componentes vector, entonces v
u u
está puesto igual a 11 12 Y
2
c x j b(v, u j )
j =1
b v, u j
= bmax exp
− σb
v−uj
2
2
.
Una medida de qué bien especie muy dada está haciendo en tiempo t está dado
por su medida de población correspondiente x i . Aun así, si deseamos medir qué
bien una especie está haciendo relativa a otros, entonces la frecuencia de
aquellos individual
x
pi = i
N
Proporciona un métrico. Es obvio de estas definiciones que
ns
pi = 1.
i =1
i + = i i =1 pi exp Hi (u,p,N ) ¯
Diferencial: p˙i = pi Hi (u, p,N ) − H
¯
Dónde H es la forma física mediana de la población globalmente
ns
¯=
+ ˙ = ¯ =
=
Exp. Diferencia: N (t 1) N
s
i 1 pi exp Hi (u, p,N )
Diferencial: N NH
En plazos de H siempre tienen que ser tratados como caso especial. Para
evitar complejidad indebida, caemos este sistema de esta categoría de G -
funciones.
El G -función en los plazos de frecuencia de población está definido por
Dónde i = 1, . . . , ns y
n
s
¯= |
j =1
106 G-funciones para el Darwinian juego
Con
! "
v2
K (v) K exp
= m − 2σk2
El vector
x = x1 · · · xn s
Ser las densidades asociaron con n s especie en una comunidad. Sigue que x
es un vector cuya longitud está determinada por el producto ns × nh .
Ninguna notación especial está necesitada para el vector de estrategia
cuando satisface exactamente las mismas condiciones cuando especificados
para G -funciones con estrategias escalaras. Aun así, definiendo el G -
matricial es más complicado. Somos aided a este particular por otra vez
utilizando el número de aumentar concepto. En este caso, el número de
aumentar cuenta el número de etapas de vida cuando añadimos especie
empezando de cero. Por ejemplo, si hay tres especies, ns = 3, cada cual con
dos vida-etapas de historia nh = 2, entonces
r1 = 0
r2 = n h = 2
r3 = 2nh = 4
Más generalmente
ri = (i − 1) nh .
Utilizamos esta notación a modelo la dinámica del i th población de especie den-
sities, x i , en plazos de funciones de forma física de la forma Hi j (u, x) cuando
dado en la mesa siguiente (ecuaciones de diferencia exponencial no son incluidas
desde entonces no son derivables de ecuaciones de forma diferencial, ve Inciso
2.3.3). Para notational claridad los argumentos de función (u, x) no es siempre
incluido
x 1
+ i ns + H(r i +nh )nh
x˙ x H x H x H
i1 = i1 (ri +1)1 + i2 (ri +1)2 + ··· + i ns (ri +1)nh
x˙ x H x H x H
i2 = i1 (ri +2)1 + i2 (ri +2)2 + ··· + i ns (ri +2)nh
Diferencial: . .
. .
. =.
x˙ x H x H x H
i nh = i1 (ri +nh )1 + i2 (ri +nh )2 + ··· + i ns (ri
+nh )nh
(4.13)
108 G-funciones para el Darwinian juego
Diferencial: x˙i = xi i
.
H
(ri . H
(ri . . .
nh )1 (u, x) h )2 (u, x)
n
..
···
+ +
.
H (u, x)
(ri +nh )nh
x˙i 1 = f (ui ) − u j x j 1 x i 1 + ui x i 2
j =1
nx
x˙i 2 = ui x i 1 − x j 1 x i 2.
j =1
Nota cómo el G -puntos destacados matriciales los efectos encima forma física
de la estrategia del individual focal, v, las estrategias de otros, u, y los efectos
de densidades de población, x.
Desde elG -matricial en el encima el ejemplo es symmetric, el
eigenvalues es real. Esto a menudo será el caso, pero no siempre.
1
Dinámica de población es aquellas relaciones entre densidad de población y los factores
que afecta cambios de densidad con tiempo. Cualquiera de los modelos de población de
Capítulo 2 representa dinámica de población; ve en particular Inciso 2.3.2.
2
Dinámica de estrategia es relaciones entre valores de estrategia y los factores que afectan
cambios en estos valores con tiempo.
112
5.1 dinámica de Estrategia y el adaptive paisaje 113
j =1
Dónde
v2
K (v) K exp
= m − 2σk2
100
80 u1 = 0.2
60
Populationdensity
40
u2 = 0.5
20
u3 = 1
0
u4 = 2
Los valores son las estrategias ' medidas de población en tiempo 0. Cuando
ilustrado en Figura 5.1, la dinámica de población resultante, obtuvo utilizar
la ecuación diferencial dy-namics,3 inicios con un aumento rápido en las
medidas de población de todo cuatro estrategias. Pero pronto vemos una
disminución bastante rápida en el tercio y cuarta especie, una disminución
lenta en la segunda especie, y el eventual único survivorship de la primera
especie. Tenemos los principios de un crudos pero la estrategia eficaz
dinámica para pro-ducing cambio evolutivo. Mientras la estrategia de cada
población quedó fijada, la frecuencia global de cada estrategia dentro de la
población cambiada con tiempo. Finalmente la especie con el más alto
llevando la capacidad reemplazó todo otros. En este caso, la selección no
ocurrió dentro de una especie sino entre especies.
Nosotros refine el proceso de selección por empezar con especies x1 cuando
el superviviente único (u1 = 0.2) y entonces añadir dos especie nueva con
estrategias cierra a x1estrategia:
u = 0.2 0.15 0.3 . Entonces solucionamos la dinámica de población que
utiliza una medida de población inicial de 1 para cada especie. La dinámica
de población es más rápida,
3
Para este y muchos ejemplos utilizaremos la descripción de tiempo continua de dinámica de
población (forma de ecuación diferencial) más que uno del discreto, formas de ecuación de la
diferencia. Todo de estas tres formas proporciona resultados similares mientras evitamos el
parámetro valora que dinámica de población del producto con ciclos de límite o caos.
5.1 dinámica de Estrategia y el adaptive paisaje 115
(Un) (b)
0.2 0.2
u
n
ó
n
c
-
f
i
0 0
Función-G
−0.4
−0.2 −0.2
−0.4
−0.6 −0.6
−0.8 −0.8
−1 0 1 2 3 −1 0 1 2 3
v v
(c) (d)
0.2 0.2
G
u
n
ó
n
c
-
f
0 0
Función-G
−0.4
−0.2 −0.2
−0.4
−0.6 −0.6
−0.8 −0.8
−1 0 1 2 3 −1 0 1 2 3
v v
Pero el proceso de selección de reemplazar una estrategia por otro ocurre mucho
más despacio como la segunda especie (con el más alto llevando capacidad del
tres) reemplaza el otro dos. Podemos continuar este proceso de selección por
considerar especie u2 = 0.15 cuando el superviviente único y añadiendo dos
estrategias nuevas muy cercanos a y en cualquier lado de 0.15. Con cada
iteración de este proceso de selección, habrá una especie superviviente única, la
especie superviviente tendrá la estrategia que tiene el más alto llevando
capacidad, y esta estrategia será el más cercano a
v = 0. Esta estrategia maximizes forma física por virtud de maximizing K.
Podemos visualizar cómo el proceso de selección de reemplazar
estrategias viejas por nuevos unos tiene lugar por examinar el adaptive
paisaje qué G de parcelas (v, x∗) versus v donde x∗ es el vector de población
del equilibrio. Para este ejemplo, el adaptive el paisaje es montículo shaped
y siempre logra un máximo en v = 0 cuando ilustrado en Figura 5.2. Esta
forma de cambios de paisaje particular sólo en respuesta a cambios en las
medidas de población combinadas de todo presente de especies
ns
En equilibrio: x ∗j. En respuesta a aumentos y disminuciones en población
j =1
Medida, los fregaderos de paisaje y aumentos, respectivamente, cuando
ilustrados en los marcos de Figura 5.2. Para este ejemplo, hay sólo un
presente de especie en equilibrio
116 Darwinian dinámica
4
Tec Está relacionado al “más lento” eigenvalue asoció con la población dyanamics
ecuaciones linearized sobre la solución de equilibrio.
5
Tev Está relacionado al “más lento” eigenvalue asoció con las ecuaciones de dinámica
de la estrategia linearized sobre la solución de equilibrio.
120 Darwinian dinámica
La especie venida e ir como parte del proceso evolutivo. Sin duda la situación
más común es cuándo T ec < Tev . En este caso, sobre periodos cortos de
cronometra esperamos ver niveles de población del equilibrio fluctúan debido a
efectos medioambientales. Nota que nuestra suposición de la existencia de una
población de equilibrio no implica que el nivel de equilibrio no podría cambiar
en una escala de tiempo ecológica debido a cambios en el entorno. A corto plazo,
probablemente veríamos la extinción de especies tan en el T ev = ∞ caso. Aun así,
sobre el plazo largo esperaríamos ver la evolución que tiene lugar con las
especies que cambian sus valores de estrategia y la especie nueva que aparece.
En este caso, es posible de estudiar evolu-tionary efectos por suponer que la
dinámica ecológica es siempre en o equilibrio cercano por poner G (v, u, x∗) = 0
con el tiempo único-la ecuación dependiente dada por la dinámica de estrategia.
Nota que esta suposición no elimina la dinámica ecológica, sencillamente
reemplaza un conjunto de ecuaciones diferenciales con las ecuaciones
algebraicas que describen medidas de población del equilibrio como función de
la especie' valores de estrategia.
Es también posible que Tec ≈ Tev (aproximadamente igual). En este caso,
el pop-ulation ecuaciones dinámicas y la estrategia las ecuaciones dinámicas
son inseparably coupled y podríamos ver no-equilibrio o incluso
comportamiento caótico para el Darwinian dinámica incluso cuándo cada
sistema es por él 6 asymptotically sta-ble para una solución de equilibrio. El
caso de T ec > Tev parece improbable debido a la dinámica de población de
la manera genera dinámica de estrategia; el poniendo orden de las estrategias
ganadoras está hecha en la base de las ecuaciones ecológicas. Aun así, este
caso no tendría que ser descontado para situaciones antinaturales, implicando
ingeniería genética por ejemplo.
El resto de este foco de capítulo encima qué heritable variación dentro de
una dinámica de estrategia de paseos de población.
(v, u, x)
=
G| .
Diferencial: x˙i j = xi j ui j
La densidad de especies x i es sencillamente la suma de las densidades de
todo el pheno-tipos de aquella especie
np
x i= xi j .
j =0
Así mismo utilizamos la Para designar la estrategia utilizada por
notación ui j fenotipo entre ui j y el valor malo ui , sigue
xi j . Si dejamos δui j ser la
diferencia que
ui j = ui + δui j . (5.3)
Nota que δ no es una variable, pero δui j es. Ecuación (5.3) está pensado de
tan rep-molestándose la variabilidad genética dentro de la población i . La
frecuencia de fenotipos xi j en la población x i utilizando las estrategias ui j
es sencillamente la proporción de la población de x i j dividido por la
población total para aquella especie y él está designado por
x
qi j = i j .
xi
Por definición, la estrategia mala ui está determinado por
np
ui =qi j ui j .
j =0
(5.4)
qi j δui j = 0. (5.5)
j =0
5.4 G-funciones con estrategias escalaras 123
ui (t + 1) = qi j (t + 1) ui j
j =0
u˙i = q˙i j ui j
j =0
+ | + |
q % &
ij1 G|ui j − G|ui
+
= 1 + G|ui
Y para la segunda ecuación de diferencia modelo
xi j (t + 1) xi j exp G|
qi j (t 1) % ui j &
xi
+ = x i (t + 1) = exp G|ui
%
= qi j exp G|ui j − G|ui &
Y para el modelo de ecuación diferencial
ij = dt xi = xi 2
x i x˙i j − xi j
x
d ij x˙i
q˙
x i G| x x G| x
= ui j ij − ij ui i
xi 2
% &
q G| G| .
= ij ui j − ui
124 Darwinian dinámica
Por ello la dinámica de estrategia mala para los tres modelos está dada por el
siguiente
Dinámica de estrategia
| − G| u
Diferencia: ui + = nip + 1+ G|ui n j =0 %
p ui j ui & ij ij
1
(t 1) u % & G q
np % &
G| G| q u
Exp. Diferencia: ui (t + 1) = exp ui j − ui ij ij
G − G|
Diferencial: u˙i = j =0 % |ui j
j =0 ui
&
qi j ui j
(5.6)
Nota que la suposición única utilizó para obtener los resultados dados en
(5.6) es que un número finito de estrategias fijas es disponible a los
fenotipos. Mientras estos resultados pueden soler determinar dinámica de
estrategia mala, requieren mantener pista de un número grande de fenotipos.
Algunos pensaron también necesita ser dado a cómo la población original
está distribuida entre los fenotipos. Una suposición razonable sería para
asignar la mayoría de la población a fenotipos en el barrio de la estrategia
mala. Aun así, todos los fenotipos tienen que ser asignados una fracción de
la población, incluso aunque esta fracción podría ser bastante pequeña o
cero.
Las ecuaciones dadas en (5.6) puede ser simplificado por hacer algunas
suposiciones más lejanas. Considera utilizar los primeros dos plazos de una
expansión de serie del Taylor
% &
Aquello proporciona un primer-
Para G |ui j − G|ui . Tomando nota
aproximación de orden (5.3), pequeño δui de
j resultados en ∂G
δui j .
G| − G| ≈ ∂ v ui
ui j ui
Si ahora tratamos esta ecuación como una igualdad y sustituto él a (5.6)
obtenemos
1 ∂G
np
δu q u
Diferencia: ui (t + 1) = ui + 1+ G|ui ∂v ui j =0 ij ij ij
np
∂G
Exp. Diferencia: ui (t + 1) = ui + δui j qi j ui j
∂ v ui j =0
np
Diferencial: u˙i = ∂G ∂v
ui j =0
δui j qi j ui j
(5.7)
Dónde la función exponencial en la segunda ecuación de diferencia el modelo ha
sido reemplazado por los primeros dos plazos de la expansión ex = 1 + x + · · ·.
La suposición última, mientras no inconsistent con el pequeño δui j suposición,
es más
restrictive Para el modelo exponencial cuando también requiere ∂ G δui j para ser
pequeño.
∂ v ui
5.4 G-funciones con estrategias escalaras 125
Diferencia: Diferencial:
ui = 1+ G|ui
i
u˙ i2
σ ∂v
∂ v ui
Exp. Diferencia: ui = σi ∂ v ui
∂G
= u i
Dónde
ui = ui (t + 1) − ui .
Estas ecuaciones son mucho más fáciles de utilizar que (5.6) porque no hay
ninguna necesidad para summations. También relacionan más directamente a
procesos biológicos sabidos. Por ejemplo, la varianza σi2 balanza el índice de
cambio evolutivo. Este coeficiente ha mucho en común con la manera
heritability, phenotypic varianzas, y anuncio-ditive escala de varianzas
genéticas índices evolutivos en modelos genéticos cuantitativos (Taper y
Caso, 1985).
Fisher el teorema Fundamental de Selección Natural afirma que el índice
de aumento en forma física de cualquier organismo en cualquier tiempo es igual
a su varianza genética aditiva en forma física en aquel tiempo (Fisher, 1930).
Pueda ser interpretado en plazos del adaptive paisaje como sigue. La estrategia
mala de una población cambiará en la dirección de la pendiente ascendente del
adaptive paisaje en un índice que es directamente proporcional a la pendiente del
adaptive paisaje y la cantidad de heritable variación dentro de la población
(varianza genética aditiva). La pendiente del adaptive el paisaje en cualquier
punto representa el cambio en forma física para un cambio dado en estrategia. El
más grande la varianza genética, el más grande el cambio en forma física y, por
(5.9), el más rápidamente un organismo evolucionará hacia
126 Darwinian dinámica
u∈U
Tiene que ser accounted para cuándo utilizando dinámica de estrategia. Esto está
hecho por incluir codificación extra cuándo solucionando las ecuaciones para
asegurar que los constreñimientos están satisfechos (Vincent y Grantham, 1997).
Es aparente que Fisher Fundamental El-orem mosto también ser modificado
consiguientemente. Sin explícitamente declarando él para cada caso, está
entendido que los constreñimientos de estrategia tienen que ser satisfechos
cuándo utilizando dinámica de estrategia para todas las situaciones habladas
abajo.
Obtener el siguiente
Primer-dinámica de estrategia del orden con población de equilibrio X∗
Diferencia: ui = 1+ G(v,u,x ∗ )| v=ui ∂v ∗
v=ui
2
σi ∂ G(v,u,x )
2 ∂ G(v,u,x∗ )
Exp. Diferencia: ui = σi ∂v v=ui (5.11)
2 ∂ G(v,u,x∗ )
σ
Diferencial: u˙i =
i ∂v
v=ui
j =1
Con
! "
v2
K (v) K exp
= m − 2σk2
Marco 1 Marco 2
0.2 0.2
Función
0.1 0.1
G* -
0 0
−0.1 −4 −2 0 2 4 6 −0.1 −4 −2 0 2 4 6
Marco 3 Marco 4
0.2 0.2
Función
0.1 0.1
G *-
0 0
−0.1 −4 −2 0 2 4 6 −0.1 −4 −2 0 2 4 6
0.2 Marco 5 0.2 Marco 6
Función
0.1 0.1
G* -
0 0
−0.1 −4 −2 0 2 4 6 −0.1 −4 −2 0 2 4 6
Virtual variable v Virtual variable v
Figura 5.3 dinámica de Estrategia en el adaptive paisaje para el Lotka–Volterra
2
modelo con σ k = 4.
Marco 1 Marco 2
0.2 0.2
Función
0.1 0.1
G *-
0 0
−0.1 −4 −2 0 2 4 6 −0.1 −4 −2 0 2 4 6
Marco 3 Marco 4
0.2 0.2
Función
0.1 0.1
G *-
0 0
−0.1 −4 −2 0 2 4 6 −0.1 −4 −2 0 2 4 6
Marco 5 Marco 6
0.2 0.2
Función
0.1 0.1
G *-
0 0
−0.1 −4 −2 0 2 4 6 −0.1 −4 −2 0 2 4 6
Virtual variable v Virtual variable v
2
Figura 5.4 Con σ k = 12.5 y n = 1, dinámica de estrategia produce un
equilibrio señala que aquello es un mínimo local.
Marco 1 Marco 2
0.2 0.2
Función
0.1 0.1
G* -
0 0
−0.1 −4 −2 0 2 4 6 −0.1 −4 −2 0 2 4 6
Marco 3 Marco 4
0.2 0.2
Función
0.1 0.1
G* -
0 0
−0.1 −4 −2 0 2 4 6 −0.1 −4 −2 0 2 4 6
Marco 5 Marco 6
0.2 0.2
Función
0.1 0.1
G* -
0 0
−0.1 −4 −2 0 2 4 6 −0.1 −4 −2 0 2 4 6
Virtual variable v Virtual variable v
Figura 5.5 Con n = 2, dinámica de estrategia deja para especiación.
85
80
Populationdensity
75
70
65
60
55
1.8
Estrategi
1.6
a
1.4
85
Populationdensity
80
75
70
65
60
55
50
0 5 10 15 20 25 30 35 40
2
Estrategi
0
a
−1
−2 0 5 10 15 20 25 30 35 40
Tiempo
Figura 5.7 dinámica de estrategia de velocidad Alta resultados en inestables Darwinian
dinámica.
u δu u δu u δu .
i1+ i 11 i 1 + i 12 ··· i 1 + i 1n p
Desde cada fenotipo puede tener una estrategia de vector con n u componentes,
la notación puede devenir compleja. Aun así, podemos manejar todos
componentes de estrategia y todos los fenotipos para cada especie por definir la
matriz de estrategia
δu u δu u δu
ui 2 + i 21 i2 + i 22 ··· i2 + i 2n p
u δu u δu u δu
=
i1 +.
i 11 i1 + .
i 12
u
ij
··· δui j k
i1 + .
i 1n p
Ui u
. δu u
. δu
+ u
.
i nu . i nu 1 i nu . i nu 2 i nu . δui nu n p
+ + ··· +
Dónde cada fila representa las variaciones en un componente dado del vector de
estrategia y cada columna representa un fenotipo. El primer subíndice representa
5.5 G-funciones con estrategias de vector 133
δu δu δu
= i 11 i 12 ···
δu
i 1n p
δUi .
.
.
.
ijk .
. .
.
δui nu 1
.
δui nu 2
.
δui nu n p
···
Así
Ui = uiT + δUi
Dónde
= 1 1 ··· 1
Es un vector de fila que contiene n p unos. Aquello es, uiT es un nu × n p matriz.
Cuándo está añadido plazo por denominar a δ Ui resulta en el fenotipo trait
valores para especies
i Con malo ui . Cambios en los componentes de u i j es independiente desde los
componentes de δ ui j es independiente. Mientras fenómenos genéticos como
conexión, epistasis, y pleiotropy puede forzar dependencias entre los
componentes del vector de estrategia, suponemos que tales fenómenos no
impiden el compo-nents de variables independientemente de cada otro. Por hacer
esta suposición, cualesquier covarianzas subsiguientes en los componentes'
dinámica de estrategia y entre los valores de componentes se deben a selección
natural, no forzado genético o
Constreñimientos físicos en el conjunto de estrategia.
La densidad de la especie x i puede ser escrito como la suma de las
densidades de todos los fenotipos dentro de especies i
np
x i= xi j .
j =1
La estrategia mala para la población x i está definido cuando
n
p
x
ij
ui = u
j =1 xi ij (5.12)
Dónde ui j es el j th vector de columna de U i .
Podemos seguir cómo la estrategia mala ui evoluciona (i.e., una dinámica de
estrategia para ui ) por considerar los cambios que tiene que tener lugar en la
estrategia mala como
134 Darwinian Dinámica
q i j = xi
Y
qi = qi 1 · · · qi n p T (5.13)
Entonces (5.12) puede ser escrito en la forma matricial compacta
siguiente
ui = Ui qi . (5.14)
Ahora podemos calcular una estrategia dinámica para la estrategia mala ui
utilizando (5.14). Aquí utilizamos la idea que la dinámica de u i cuando cambia
de su valor nominal original se debe a cambios en la frecuencia relativa de
fenotipos (el qi j ). Incluso aunque ui cambios con cronometra podemos tomar U
i para ser constantes desde entonces
n p Puede ser un número muy grande, con único una fracción de los fenotipos
posibles habiendo un no-cero qi j en cualquier punto en tiempo. Un grupo de
no-cero y que cambia nunca qi j estrategias de fenotipo son capaces de seguir
ui como distribución de estrategias sobre el malos. En otras palabras,, el
cambio en u i es previsto único a un cambio en q i cuando dado por el
siguiente
Dinámica de estrategia en plazos de q
Diferencia: ui = Ui qi
Exp. Diferencia: ui = Ui qi
Diferencial: u˙i = Ui q˙i
Dinámica de especie
Diferencia: x i (t + 1) = xi 1 + G|ui
|
exp G
Exp. Diferencia: x i (t + 1) = xi ui
G|
Diferencial: x˙i = xi ui
Dinámica de fenotipo
1 + G|
Diferencia: xi j (t + 1) = xi j ui j
Exp. Diferencia: x i j (t + 1) = x i j exp G |u i
G|
Diferencial: x˙i j = xi j ui j
5.5 G-funciones con estrategias de vector 135
+ | + |
G|
% ui j − G|ui &
qi j = qi j
Modelo de ecuación
1 + G|ui
Y para la segunda diferencia
x x %
qi j (t 1)
ij (t + 1) ij
exp G|ui j &
q exp G G |q q
G
+ = xi (t + 1) = xi exp ui
&
= ij % |ui j − |ui + ij − ij
% &
qi j = qi j exp G|ui j − G|ui −1
Y para el modelo de ecuación
diferencial
i j = dt xi = xi 2
x i x˙i j − xi j
x
d ij x˙i
q˙
x i G| x x G| x
= ui j ij − ij ui i
i2
x
% &
q G| G| .
= ij ui j − ui
... 0 0 0
q
inp
136 Darwinian Dinámica
Por definición
exp Gi .
G| − G|
exp u u
i1 i −1
.
= .
% &
exp G| − G| − 1
ui n p u i
G|ui 1 − G|ui
.
Gi = .. .
G| − G|
ui n p ui
G|ui 1 − G|ui
.
G .
. G ui
inp
u
| − |
δu
∂ v 1ui δui 11 + ∂ v2 ui
i 21 +. · · · + ∂ vnu ui δui nu 1
∂G ∂G ∂G
CAL
IEN
. TE
= ∂G ∂G . ∂G +
δu δu δu
∂v 1 ui
i 1n p
+
∂v 2 ui
i 2n p
+· ·· +
∂v nu ui
i nu n p
∂G
δui 11 δui 21 δui nu 1 ∂ v1
δu δu ··· δu u2 ∂ v2
∂G
i 12 i 22 in
= . . ··· . +
∂
. .
CALI
ENT
. . . . . E.
δui 1n p
.
δui 2n p
. .
···
δui nu n p
.
G
∂ vnu
. ui
Para pequeño δui j esto
da
Gi ≈ δUi ∂v ui .
T ∂G
5.5 G-funciones con estrategias de vector 137
T ∂G
Exp. Diferencia: ui = Ui Qi δU
i
∂v ui
T ∂G
Diferencial: u˙i = Ui Qi δU
i
∂v ui
Dónde el plazo exponencial ha sido reemplazado por los primeros dos plazos
en su expansión. Todas las ecuaciones haber en común
Ui Qi δUiT ∂ v ui = [ui + δUi ] Qi δUiT ∂ v ui
∂G ∂G
T T
∂G
= ui Qi δUi + δUi Qi δUi ∂v i
u .
ui Qi δUiT = 0
Desde
entonce
s
u δu
δu
ui 2 i2 · · · ui 2 0 qi 2 · · · 0 δui 12 i 22 ··· i nu 2
u u u δu δu δu
i1 i1 ··· i1
....
qi 1 0 · · · 0 .... .
i 11
.
i 21 ··· .
i nu 1
.
.... .... . .. . .
ui nu ui nu ui nu
.... 0 0
.... qi nu
. δui 1n p δui 2n p
. .
δui nu n p
u i 2qi 1
··· ui 2qi 2 ··· ui 2 qi nu
··· ···
u q u q u q δui 11
= i1 i1
.
i1 i2
.
··· .
i 1 i nu
.
δui
. . . . .
.
ui nu qi 1
.
ui nu qi 2
. .
ui nu qi nu δu
.
i.1n p
···
Multiplicando este
resultado cede una matriz
q δu q δu
i nu i 1n p +··· ··· i nu i nu n p
u (q δu δu u q δu q δu
i1 i1 i 11 + qi 2 i 12 i1 i1 i nu 1 + i 2 i nu 2 +···
+ . . + .
u
i nu
(q δu
i 1 i 11 . q
i2
δu
i 12 . u
i nu
q δu
i 1 i nu 1 . q δu
i 2 i nu 2
En qué cada sumas de plazo a cero debido a la simetría supuesta. Esto nos
dejo con el resultado
i = 1+ G|ui T ∂G i ∂ v ui
Exp. Diferencia: ui δUi Qi δUi ∂ v ui
Diferencial: u˙ i
= i i i
δU Q δU
T ∂G ∂v ui
=
Di = δUi Qi δUiT
Primer-dinámica de
estrategia del orden
Diferencia: u Di ∂G
u
i = 1+ G|ui ∂v i
u
∂v i
∂G
u˙i
=D
Diferencial: = Di
2 ∂G 2 ∂G
u˙ 12 = δ12 ∂ v1 v1 =
u
11 + σ12 ∂ v2 v2 = u12
2 ∂G 2 ∂G
u˙ 21 = σ21 ∂ v1 v1 =
u
21 + δ21 ∂ v2 v2 = u22
2 ∂G 2 ∂G
u˙ 22 = δ22 ∂ v1 v1 =
u
21
+σ
22 ∂ v2 v2 = u22
2 2
Dónde Representa covarianza. La notación es
σ Representa varianza y δ. simpli-
fied Si Di es igual para cada especie.
Debido a interbreeding y heritable independencia entre los componentes de
estrategia, los plazos de covarianza serán pequeños e hizo incluso más pequeño
por el summation de ambos plazos positivos y negativos. Si los plazos de
covarianza son cercanos a cero relativos a los plazos de varianza, podemos
escribir la dinámica de estrategia para
5.5 G-funciones con estrategias de vector 139
2 ∂G =
= σ2 ∂G
u˙12 12 ∂ v2 v2 u
12
=
= σ2 ∂G
u˙21 21 ∂ v1 v
1
u
21
=
= σ2 ∂G .
u˙22 22 ∂ v2 v
2
u22
=
Nota que, cuándo utilizando una estrategia escalara, hay sólo un plazo de
varianza y ninguno plazos de covarianza, sigue aquello
Di = σi21 = σi2.
En los ejemplos que tratan estrategias escalaras utilizamos σi2 para denotar
varianza de estrategia.
Ejemplo 5.5.1 (L–V matón grande juego) Recuerda de Ejemplo 4.4.1, este
juego está definido por
G (v, u, x) = K (v) K (v) − Un v, u j x j (5.17)
n
r s
j =1
v 12
K (v) 1 v2 2 Kmax exp
−
= − 2σk22
= + − 2σun
v1 − u j 1 + β
2
− − 2σun2
β
2
Un v, u j 1 B exp exp
B = 1 + Bmaxu j 2 − v2 .
140 Darwinian dinámica
Kmax = 100
r = 0.25
σ2 =4
α
β=2
Bmax = 1.
Bajo Darwinian dinámica (plus de dinámica de la población primero-
estrategia de orden dy-namics) con
D1 = 0.1 0.5
0.5 0.1
x ∗ = 84.08
u∗ = [ 0.6065 0.2796 ].
La misma solución está obtenida independientemente del número de
empezar especie y condiciones iniciales. La misma solución es también
obtenida si los plazos de covarianza en D 1 está puesto igual a cero.
En el próximo dos capítulos examinaremos las propiedades y la
importancia de las soluciones obtuvo para este ejemplo.
i = i ∂v v =u i
Exp. Diferencia: u ∂ G(v,u,x,y) (5.18)
i = i ∂v v u
Diferencial: u˙ ∂ G(v,u,x,y)
+
Auiα y xi
−
ns
+
Un H
y˙ = r (K − y) − 1 u (α−β) y .
i =1 i
Considerar una forma concreta de este modelo por asignar los valores de
parámetro siguientes
r = 0.25
K = 100
Un = 0.05
C = 1.5
H = 0.3
α = 0.5
β =1
γ = 0.75.
Bajo el Darwinian dinámica (5.18) y empezando de las condiciones iniciales
x (0) = 50, y (0) = 20, u (0) = 1
Con una varianza σ 2 = 0.05, obtenemos la solución de equilibrio para el
differen-tial y modelos de diferencia exponencial
i =Di ∂v v u
Exp. Diferencia: u j (5.19)
i =Di ∂v v u
Diferencial: u˙ j
i = r j −1 + 1, . . . , r j para j = 1, . . . , nb .
xj
j =ns1 +1
Pr edator : G 2(v, u , x)
= r 2 1
− c
n s 1 x j b(v, u j)
j =1
Dónde
= v2
K (v) Kmax exp
σU
2
= − n 2
v−uj
Un v, u j exp
b v, u j
= bmax exp
− v−uj
σb2 2
.
Considerar una forma concreta de este modelo con las constantes siguientes:
r1 = r2 = c = 0.25
K max = 100
bmax = 0.15
σ2 =2
k
σ2 =4
Un
σ 2 = 10.
b
5.8 G-funciones en plazos de frecuencia de población 143
j =1
144 Darwinian dinámica
Con
! "
v2
K (v) K exp
= m − 2σk2
Diferencial: u˙i = σi ∂v
i
v=u
Valor de cumbre en v = 2
f (v) = −1 + 4v − v2.
La estrategia de v = 2 maximize forma física si el modelo era independiente de
x Y u. Aun así, en este ejemplo, el G -matricial es ambas densidad y la
frecuencia dependiente. Por utilizar Darwinian dinámica para el caso de
ecuación diferencial, obtenemos la coalición de una solución de equilibrio
j =1
Dónde
v2
K (v) K exp
= m − 2σk2
Un (v, (v − ui + β)2 β2
ui ) 1 exp 2σun exp
!
= + 2σun − "−
2! − 2
"
Y r > 2. Considerar el mismo conjunto de parámetros utilizó con el G de
frecuencia-ejemplo de función excepto creciente r. Utilizamos los
parámetros Km = 100,
r = 2.5, y σ k2 = σα2 = β2 = 2. Debajo estrategia de ecuación de la diferencia
dynam-ics, una vez más obtenemos u∗1 = 1.213. Aun así, cuando ilustrado en
Figura 5.8, la densidad de población sigue un 4 ciclo. Creciente r a r = 2.8
resultados en una solución caótica para la densidad de población cuando
ilustrado en Figura 5.9. Nota, aun así,
Aquella dinámica de estrategia de ecuación de diferencia cede la misma
solución de equilibrio para u∗1.
Este ejemplo ilustra qué no-dinámica de población del equilibrio no
necesariamente implica no-dinámica de estrategia del equilibrio. Ve Sección
6.8 para discusión más lejana.
L–V juego de competición
120
Densida
100
d
80
60
400 5 10 15 20 25 30 35 40 45 50
1.6
Estrategi
1.4
1.2
a
1
0.8
0.6
0.4
0.20 5 10 15 20 25 30 35 40 45 50
Tiempo
100
Densid
80
ad
60
40
200 10 20 30 40 50 60 70 80 90 100
1.6
1.4
1.2
Estrategi
1
0.8
a
0.6
0.4
0.20 10 20 30 40 50 60 70 80 90 100
Tiempo
Figura 5.9 Aumentando a r = 2.8 resultados en una solución caótica para la
densidad de población..
5.11 condiciones de Estabilidad para Darwinian
dinámica 147
δx1 = x1 − x1∗
δu1 = u1 − u∗1
δv = v − u∗1
eigenvalues De la matriz
∂ G(v, u ∂ G( v, u , x )
1 , x1 ) 1 1
∂ x1 ∂ u1 .
∂ G(v, u1, x1) G(v, 11 ∂ 11
2
∂x 1∂ v
∂v + ∂u 1 ∂v
2 ∂2 u,x) 2
G(v, u ,x)
∗
El análisis de estabilidad puede ser simplificado si suponemos que hay una
diferencia grande en escala de tiempo entre la dinámica ecológica y la estrategia
dy-namics. Esto implica que la dinámica ecológica local para medida de
población (5.1) ocurre pariente muy rápido a la dinámica evolutiva que
determina valores de estrategia (5.9). Así de (5.1) solucionamos la ecuación
algebraica
x1 = f (u1)
Y sustituto a (5.9) para determinar la dinámica de estrategia como función de
v y u 1 sólo. En este caso la ecuación de perturbación para u1 deviene
∂ 2 G(v, u1, x1) ∂ 2 G(v, u1, x1) ∂ 2 G(v, u1, x1) ∂ f (u1)
δu1.
δu˙1 = σ12 ∂ v2 + ∂ u 1∂ v + ∂ x1 ∂ v ∂ u1 ∗
Así, para dinámica de estrategia estable es necesario aquello
∂ 2 G(v, u , x 1) ∂ 2 G(v, u1, x1) ∂ 2 G(v, u1, x1) ∂ f (u1)
2
1
(5.23)
∂v + ∂ u1∂ v + ∂ x1 ∂ v ∂ u1 < 0.
∗
Ecuación (5.23) es una condición necesaria para la dinámica de estrategia
para ser asymptotically establo bajo la suposición que la dinámica de
población es estable y que Tec >> Tev . Este resultado es estrechamente
relacionado al concepto de con-vergent estabilidad (Eshel y Motro, 1981)
que hablamos en plazos más generales en Capítulo 6. Brevemente, la
estabilidad convergente refiere a la capacidad de una población de
evolucionar para regresar a un punto de equilibrio x1∗, u∗1 si está
desplazado de él. Ecuación (5.23) es ampliamente utilizado (p. ej., Abrams et
al., 1993b; Metz et al., 1996; y otros). Denotar el primer plazo en (5.23) por
Un , el segundo por B, y el tercer por C . Abrams Et al. (1993b) ignoró el
plazo C y considerar Un + B < 0 cuando la condición para estabilidad
convergente. Metz Et al. (1996) subsume el plazo C a plazo B. Aun así,
manteniendo plazo C separado de B puntos destacados la interacción entre
dinámica de estrategia y dinámica de población en influir estabilidad
convergente.
El plazo C = 0 ocurre en dos circunstancias especiales. En el primer de
estos, medida de población puede ser independiente de estrategias y
dinámica de estrategia: ∂ f /∂ u1 = 0. Esto probablemente no puede porque
aumento de estrategias en frecuencia precisamente
5.12 dinámica de Varianza 149
Porque tienen forma física más alta en la población actual. Así, cambios en
forma física y valores de estrategia generalmente también medidas de
población de equilibrio de cambio. Una segunda manera para C = 0 ocurre
cuándo medida de población está hecha implícita en el G -función por
sustituir f (u1) para x1∗ directamente a G con anterioridad a evaluar las
condiciones necesarias. De este modo, el plazo B implícitamente subsume C
y Un + B < 0 deviene la condición necesaria correcta para estabilidad
convergente (Metz et al., 1996).
Mientras la condición necesaria para estabilidad convergente contiene Un, el
cual también figuras en las condiciones necesarias para resistencia de invasión,
las condiciones para invasión y estabilidad convergentes la resistencia es un poco
independiente de cada otro: uno puede ser satisfecho mientras el otro no es. Estas
ventajas a cuatro posibilidades cuándo evaluando estrategias que es candidatos de
estabilidad en el sentido
Aqu ∂ G(v,u ,x )
1 1
ello ∂v v=u1 = 0 :
Resultados máximos estables cuándo u1 es ambos
(i) Un evolutionarily resistente a
Invasión ( Un < 0) y establo convergente ( Un + B + C < 0).
(ii) Un evolutionarily mínimo estable (Abrams et al., 1993b) ocurre cuándo u1
No es resistente a invasión ( Un > 0) pero es establo convergente (B +
C<0
Y | B + C | > Un).
(iii) Un evolutionarily máximo inestable (Eshel, 1983; Abrams et al., 1993b;
Taylor, 1997) resultados cuándo u1 es resistente a invasión ( Un < 0)
pero no es
Establo convergente (B + C > 0 y B + C > | Un|).
Un evolutionarily resultados mínimos inestables cuándo u1 no es
(iv) resistente a
Invasión ( Un > 0) y no establo convergente ( Un + B + C > 0).
Hemos examinado la estabilidad de Darwinian dinámica para los casos
sencillos que es común en la literatura. Las condiciones estables
convergentes para un coali-tion de dos o más es horrendous (Cohen et al.,
1999) y no es una aproximación que es propio para el caso general. De
hecho, no es necesario, cuando veremos en Capítulo 6.
Así
dσ 2 np
i
dt =δui j q˙i j δui j ,
j =0
Dónde
q˙i j = i j
x˙ i
= qi j G (v, u, x) ui i j . (5.25)
x˙ G vi j , u, x u
|
Por tanto
dt =n p δu
G
v, ui
δu
dσi2 j =0 i j qi j G vi j , u, x
|
ui j ij
( u, x) . (5.26)
Ecuación (5.26) puede soler computar la dinámica del phenotypic varianza
para el caso general. Aun así, debido al summation, no es conveniente de
utilizar. Si hacemos el mismo pequeños δui j suposición cuando hicimos
con primer-dinámica de estrategia del orden, podemos utilizar la expansión
de serie del Taylor sobre vi j = ui para aproximar (5.25); concretamente
∂ G(v,u,x)
q˙i j = qi j
G (v, u, x)|ui
G (v, u, x)
+ ∂v
ui
u
i
δui j ,
dσ 2 n p
j =0
∂v |
151
152 Evolutionarily estrategias estables
x = x∗ + δx
u = u∗ + δu
Dónde δx representa la cantidad x ha sido apartado de x ∗ (δx tiene que ser
escogido de modo que la densidad de población queda positiva) y δ u
representa la cantidad u ha sido apartado de u ∗ (δu tiene que ser escogido de
modo que u ∈ U).
Considera primero la situación en qué ninguno cambios de estrategia está
dejada de
u = u∗. Si la ecuación de dinámica de la población finalmente regresa el
sistema a x ∗ tan t → ∞, decimos que x∗ es ecológicamente estable. Esta
definición es útil para estudios ecológicos cuándo la escala de tiempo
evolutiva es mucho más grande que la escala de tiempo ecológica. Así
mismo podríamos definir un tipo de stabil-
ity Basó encima manteniendo x fijado en x∗ y examinando la estabilidad de u
∗
debajo dinámica de estrategia. Aun así, tal definición no es generalmente
útil para el estudio de evolución bajo selección natural porque la balanza de
tiempo es raramente invirtió.
Una definición más apropiada es para dejar ambos x y u para variar. El
equi-
librium Señala x∗, u∗ es establo convergente (Eshel, 1996) si, para cualquier no-
cero δx con x > 0 y cualquier δu =0 tal que u ∈ U, el Darwinian dinámica
(i.e., estrategia de plus de dinámica de población dinámica) finalmente regresa el
sistema a
x∗ Y u ∗ como t → ∞. Esta definición podría parecer suficiente para definir un
evo-lutionarily estrategia estable; aun así, esto no es el caso. La definición de
con-vergent la estabilidad pierde el ingrediente esencial contenido en Maynard la
definición del herrero, la presencia de una estrategia mutante. La estabilidad
convergente examina la estabilidad del sistema sólo en plazos del extant
poblaciones y estrategias. Necesite no producir estabilidad evolutiva en el
sentido de Maynard Herrero ESS concepto. De hecho es posible para un punto
mínimo en el adaptive paisaje
1
Debajo no-equilibrio Darwinian dinámica un ciclo ecológico (ve Definición 6.8.1) está
utilizado en sitio de un punto de equilibrio.
6.1 Evolución de estabilidad evolutiva 153
Para ser establo convergente. Tal punto no es un ESS. Esto no es para decir
que un punto mínimo estable convergente no podría ocurrir en naturaleza
como el resultado de selección natural. Por ejemplo, en Inciso 10.2.2 un
modelo de célula está propuesto aquello tiene un mínimo estable
convergente en el adaptive paisaje. Para sostener esta solución de equilibrio,
la estructura genética de las células tiene que ser tal aquel perfecto clonal la
reproducción de las células está mantenida.
Un objetivo de este capítulo es para desarrollar un preciso matemático
ESS la definición útil para el estudio de estabilidad evolutiva. Llegamos en
una definición qué extiende Maynard Herrero original ESS concepto. La
razón para la extensión es threefold. Primero una definición matemática está
necesitada si vamos a utilizar matemática para solucionar para un ESS.
Segundo, una definición está necesitada que asuntos de direcciones de
estabilidad de convergencia y resistencia a invasión por estrategias mutantes.
Tercio, una definición está necesitada aquello aplica a las clases anchas de G
y juegos evolutivos-funciones.
(A menudo baste para ser un wee mordió más rápido que vuestro vecino).
Esto significa que la evolución generalmente será la frecuencia dependiente,
el cual, en vuelta, significa que necesitamos frecuencia-modelos
dependientes para entenderles. Un optimal FF&F la aproximación no va a
ser válida para la cebra predator–sistema de presa o la mayoría otros sistemas
biológicos.
Con anterioridad a la definición formal dada por Maynard Herrero y
Precio (1973), varios enlaces entre adaptación y selección naturales habían
sido forjados. De la población grande geneticists del 1920s y 1930s, sea
sabido que densidad-selección dependiente, en la forma física de qué un
individual está influida por su estrategia y la medida de la población,
resultado en estrategias que maximize el índice de crecimiento de la
población. Si un equilibrio existe, densidad-resultados de selección
dependiente en estrategias que maximize medida de población.
Levins Es (1962) aproximación de conjunto de la forma física (ve también
Levins, 1968) proporcionó una salida temprana de los modelos tradicionales de
genética de población, y tomó un paso en un camino que dirige al ESS concepto.
Levins Examinó evolución dentro de un contexto ecológico (normalmente uno
de heterogeneidad de hábitat, o remiendo de recurso-iness). Levins Imaginó un
conjunto de evolutionarily estrategias factibles. Más que considerarles
explícitamente, suponga que estas estrategias influyeron un órgano-ism
rendimiento en cada de dos hábitats. Un conjunto de forma física definió el
mapeo de todos valores de estrategia posibles a un espacio de forma física
compuesto de forma física en hábitat Un versus forma física en hábitat B tan
ilustrado en Figura 6.1. Los valores de forma física únicos del interés en este
conjunto es los que mentira en la frontera correcta superior sabida como el borde
activo mostrado por la línea sólida en la figura.2 El borde activo es que
subconjunto de pares de forma física que representa comercio-offs en
rendimiento entre hábitats Un y B . Para ver esto, considera cualquiera otro punto
en la forma física pone no en el borde activo. Para cualquier tal punto, la forma
física en ambos hábitat Un y hábitat B puede ser mejorado a por escoger una
estrategia diferente que corresponde a algún punto en el borde activo. La
selección natural tiene que siempre estrategias de favor que simultáneamente en-
arrugar rendimiento en ambos hábitats. Siguiendo esta lógica, vemos una faceta
crítica de adaptación. La selección natural tendría que encontrar justo el correcto
compromise entre competir demandas u oportunidades, aquello es selección
natural tendría que escoger entre puntos en el borde activo.
Dado un entorno con hábitats Un y B , podemos determinar la consecuencia
de forma física a un individual utilizando estrategias particulares en ambos
hábitats Un y B . Supone que un individual es en hábitat Un con probabilidad p y
en hábitat
B Con probabilidad (1 − p) . Su forma física global, F , está
0.020
0.005
FitnessinB
−0.010
−0.025
−0.040
−0.040 −0.025 −0.010 0.005 0.020
Forma física en Un
Figura 6.1 El conjunto de forma física, describió aquí por el interior del superior-
shaped región, representa la forma física en hábitats Un y B a raíz de utilizar cada
posible stratgy.
5
Los juegos matriciales están hablados en detalle en Capítulo 9.
6.1 Evolución de estabilidad evolutiva 157
10
Bestresponse
6
0
0 2 4 6 8 10 La estrategia
común de otros
Figura 6.2 El conjunto de reacción racional está dado por la línea sólida.
u= u1 ··· uns
Cuando las densidades y las estrategias asociaron con el n s especie en una
comunidad. La estrategia utilizada por especies i está dado por ui y tiene que
satisfacer los constreñimientos especificaron en Sección 4.3. En plazos de
esta notación, la dinámica del i th la densidad de población de la especie está
dada por el siguiente
x∗ 0 Para i ns ∗ 1, , ns .
i = = + ···
Para examinar la estabilidad de un punto de equilibrio ecológico, puntos
en el barrio de x ∗ necesidad de ser definida. El concepto de una pelota es
útil a este particular. Una pelota B centró en x ∗ es el conjunto de puntos en el
n
n s -espacio estatal dimensional, con una norma euclidiana, E s ,
satisfaciendo
' (
B = x ∈ E ns |x − x∗ < .
B
Suponemos que, para cada vector de estrategia u ∈ U, una solución de
puede haber sólo uno global ESE, pero puede haber uno o más local ESE
soluciones para x∗ con un ámbito correspondiente de atracción (ve Inciso
2.5.2). Mientras Definición 6.2.2 requiere que x ∗(t ) asymptotically
aproximaciones x ∗ no es equivalente a la definición de estabilidad asintótica,
desde el último está definido en plazos de barrios abiertos (un barrio abierto
no existe sobre un punto en la frontera del no-negativo orthant).
∈
,
Lema 6.2.1 (ESE) Dado u U si Un Equilibrio ecológico x∗ es un
ESE Entonces
Par
Hi u, x∗ 0a i 1, . . . , ns∗
Hi u, x∗ = 0 Para i= ns∗ 1, . . . , ns .
≤ = +
Prueba. La primera
condición Sigue De la definición de un ecológico equilib-
rium. Supone que Hi (u, x∗) > 0 para algún i = n∗s + 1, . . . , ns . Por
continuidad, podemos implicar que allí existe una pelota de no-cero radios
centraron en x∗ tal que Hi (u, x∗) > 0, i = n∗s + 1, . . . , ns en el barrio O ∩ B.
Esto significa que para cualquier condición inicial localizada en este barrio,
la dinámica de sistema producirá un aumento en x i , i = n∗s + 1, . . . , ns .
Porque x∗ es no-negativo, no es posible para los cero componentes de x ∗
para ser logrados por emotivos posi-tively de valores negativos; de ahí, la
dinámica no puede regresar el sistema a x ∗. Esto contradice la suposición
que x∗ es un ESE, por ello la segunda condición sigue.
Definición 6.2.3 (vector de coalición) Si para el sistema (6.1) allí existe un eco-
punto de equilibrio lógico x∗ (implicando xi ∗ > 0 para los índices 1,· · · , ns∗ ≥ 1
y
xi∗ = 0 para los índices ns∗ + 1, · · · , ns ) correspondiendo al vector de
estrategia u ∈ U, entonces el composite de las estrategias para el primer
grupo de índices se apellida un vector de coalición, uc = [u1, · · · , uns∗ ], y
el composite estrategias del sec-ond grupo de índices (con población de
equilibrio de medidas de cero) está designado por el vector um = [uns∗ +1, · ·
· , uns ].
Un vector de coalición describe las estrategias de un inclusive conjunto de
individu-als aquello puede persistir junto. Las estrategias necesitan no ser
evolutionarily establo o exclusivo. Por añadir individual con estrategias
diferentes al iniciales vec-tor de estrategias, el vector de coalición resultante
puede cambiar en medida (más o menos estrategias) y/o composición.
Mientras no es necesario de distinguir entre fenotipos y especie en la
definición siguiente (cuando hicimos con dinámica de estrategia) es útil de
pensar en estos plazos. En particular, el coali-tion el vector puede ser
pensado de tan siendo hecho de las estrategias de las especies y el vector um
compuso de las estrategias de las especies y/o phenotypic estrategias dentro
de una especie.
x¯ → x ∗
u¯ → uc
x → x∗
u → uc .
Dinámica de población
i += xi |
v=ui
Dónde u
Diferencia: xi (t + 1) = xi 1 + G (v, u, x)|v=ui
Exp. Diferencia: x (t 1) exp G (v, u, x)
Diferencial: x˙i = xi G (v, u, x)|v=ui
Primer-dinámica de estrategia
del orden
σi 2 ∂G
Diferencia: ui = 1+ G| ∂v
2∂ G
ui ui
= 2∂ G
Exp. Diferencia: ui σi ui ∂v
Diferencial: u˙i σ ∂ v ui
= i
(6.3)
(6.4)
6.2 G-funciones con estrategias escalaras 167
un v, u
j =1
Gi (v, u, x) = r − K (v) jx j ,
Y con un symmetric distribución para la capacidad de llevar
!
"
v2
K (v) K exp
= m − 2σk2
u c = u1 = 1.213
x ∗ = x1∗ = 83.20.
Por cambiar a σ k2 = 12.5, obtuvimos una coalición de dos especies con las
estrategias y las densidades dadas por
x∗ x1∗ x1∗ 51.062 39.283 .
uc = u1 u 2 = 3.1294 −0.2397
= =
Las coaliciones más grandes que dos especie es también posible para este
juego. Estas soluciones tienen que satisfacer el ESS definición para
cualificar tan ESS estrategias. Una manera para verificar esto es para
probar las estrategias que utilizan la definición. Por ejemplo, uno podría
probar el ESS coalición de dos por introducir dos otras estrategias fijas en
no-cero números de población
uc = 3.1294 −0.2397
um = 2 3
Con alguna distribución de población inicial como
= 25 25 50 50
168 Evolutionarily estrategias estables
x∗ = 51.062 39.283 0 0
Por ello somos capaces de utilizar la misma notación de negrita para u (cuando
en el caso de estrategia escalar), pero ahora los componentes de u puede ser
scalars o vectores. Definición 6.2.1 para un equilibrio ecológico, el ESE
definición 6.2.2, y el ESE lema 6.2.1 todos quedan sin cambios. Definición 6.2.3
para un vector de coalición queda sin cambios si reemplazamos escalares ui con
vector ui con el entendiendo que los vectores uc y u m es las concatenaciones de
vectores formaron por
uc = u1 · · · uns∗
um = uns∗ +1 · · · un s .
Con este comprensivo, el ESS definición 6.2.4 también queda sin cambios,
para G -funciones con estrategias de vector.
6.3 G-funciones con estrategias de vector 169
Dinámica de población
Diferencia: x i (t +
1) = x i 1 + G (v, u, x)|v=ui
Exp. Diferencia: x i (t + = x i exp G (v, u, x)|v=ui (6.5)
1)
Diferencial: x˙i = x i G (v, u, x)|v=ui
∂G
Exp. Diferencia: ui = i
∂G
∂v i
u
u˙i
D
Diferencial: = Di
Dónde ui = ui (t + 1) − ui .
un v,
j =1
u
G (v, u, x) = r − K (v) j xj
Con un vector-estrategia valorada que tiene dos componentes. Las primeras
influencias de componente tanto la capacidad de llevar
2
v1
K (v) 1 v2 2 Kmax exp
2
= − − 2σk
Y el coeficiente de competición
Un v, u v1 − u j 1 + β β2
2
j 1 B j exp exp .
2σun
= + − 2σun2 − − 2
El segundo componente, v2, influencias tanto la capacidad de llevar y el
com-petition coeficientes vía una “función” de matón
B j = 1 + Bmax u j 2 − v2 .
Dado los parámetros
K max = 100
R = 0.25
σα = 2
170 Evolutionarily estrategias estables
√
σk = 2
β=2
Bmax = 1
En Sección 5.5 descubrimos que Darwinian la dinámica resultada en la
solución siguiente:
x ∗ = 84.08
u∗ = [ 0.6065 0.2796 ].
De ahí la estabilidad convergente ha sido demostrada (pero no probado). El
defini-tion de un ESS puede ser más allá probado por introducir una segunda
especie. Uno de dos cosas puede pasar. Si ambas especie está dejada para
evolucionar pueden coevolve a la misma solución para u, dividiendo x ∗ entre
ellos, o si no son dejados para evolucionar, la especie introducida morirá fuera.
Por ejemplo integrando (6.5) utilizando
x (0) = 50 50
Y encuadre (ninguna evolución)
D1 = D2 = 0 0
0 0
Las ecuaciones de recurso son de una forma más general que la población
dynam-ics ecuaciones en aquel necesitan no tener una función de forma física
identificable. Nota aun así la ecuación de diferencia y formas de ecuación
diferencial han sido struc-tured de modo que cada cual tiene soluciones de
equilibrio cuándo N = 0. No incluimos una forma de diferencia exponencial con
dinámica de recurso desde entonces, en general, estas ecuaciones no son
derivables de una población forma dinámica (con un yi multi-plier en el lado
izquierdo). Esta característica está requerida para la forma exponencial que
hemos sido utilizando (ve Inciso 2.3.3).
Para un dado fijo u ∈ U y x ∈O suponemos que allí existe una solución
de equilibrio para y∗>0 tal aquello6
N u, x, y∗ = 0.
Además, suponemos que este punto de equilibrio es localmente
asymptotically establo. Con u y x habiendo el mismo significando tan en la
sección anterior, necesitamos reafirmar las definiciones y teorema de
Sección 6.2 de modo que incluyen y∗. Definiciones 6.2.1, 6.2.2, y Lema
6.2.1 está modificado como sigue.
Definición 6.4.1 (equilibrio ecológico – recurso) Dado un vector de
estrategia u ∈ U y un vector de recurso y∗ un punto x∗ ∈ O está dicho para
ser un punto a favor de equilibrio ecológico (6.6) proporcionó que allí existe
un índice ns∗ con 1 ≤ ns∗ ≤ ns tal aquello
Par
H ∗ ∗ ∗
i (u, x , y )
= 0, x > 0
i
a i = 1, . . . , ns∗
Par
x∗ 0 a i ns∗ 1, . . . , ns .
i = = +
Definición 6.4.2 (ecológicamente equilibrio estable – recurso) Dado un
strat-egy vector u ∈ U y un vector de recurso y∗, un punto de equilibrio
ecológico x∗ ∈ O está dicho para ser un equilibrio ecológicamente estable
(ESE) si allí existe una pelota B tal aquello para cualquier x(0) ∈ O ∩ B la
solución generada por (6.6) y (6.7) satisface x(t ) ∈ O para todo > t 0 y
asymptotically aproximaciones x ∗ tan t → ∞. Si el radio de la pelota puede
ser hecho arbitrariamente grande, el ecológico equi-librium el punto está
dicho para ser un global ESE, otherwise está dicho para ser un local ESE.
≤ = +
Prueba. La primera condición sigue de la definición de un equilibrio
ecológico. Supone que Hi (u, x∗, y∗) > 0 para algún i = n∗s + 1, . . . , ns . Por
6
La notación > suele implica que cada componente del vector es ≥ 0 con al menos un
componente > 0.
172 Evolutionarily estrategias estables
Continuidad, sabemos que allí existe una pelota de no-cero radios centraron en x∗
Tal que Hi (u, x∗, y∗) > 0, i = n∗s + 1, . . . , ns en el barrio O ∩ B. Esto significa
que para cualquier condición inicial localizada en este barrio, el sys-
tem La dinámica producirá un aumento en x i , i = n∗s + 1, . . . , ns . Porque
x∗ es no-negativo, no es posible para los cero componentes de x ∗ para ser
logrados por emotivos positivamente de valores negativos, por ello la
dinámica no puede regresar el sistema a x ∗. Esto contradice que suposición
que x∗ es un ESE, por ello la segunda condición sigue.
Definición 6.2.3 para un vector de coalición queda sin cambios si
reemplazamos escalares
u i Con vector ui con el entendiendo que los vectores uc y u m es con-
catenations de los vectores formaron por
uc = u1 · · · uns∗
um = uns∗ +1 · · · uns .
Con este comprensivo, el ESS definición 6.2.4 también queda sin cambios.
Diferencia: x i (t +
= xi 1 + G (v, u, x, y)|v=ui
1) = exp G (v, u, x, y) | =
Exp. Diferencia: x i (t +
1) = x i G (v, u, x, y)|v=ui
Diferencial: x˙i
Dinámica de recurso
Diferencia: y(t + 1) = y + N (u, x, y)
Diferencial: y˙ = N (u, x, y)
Primer-dinámica de estrategia del
orden
i = 1+ G(v,u,x)|v=ui ∂v v=ui
∂ G(v,u,x,y)
Diferencia: u Di
= D
∂ G(v,u,x,y) v=ui
Exp. Diferencia: ui i ∂v
=D ∂ G(v,u,x,y) v=ui
Diferencial: i
u˙ i ∂v
Dónde ui = ui (t + 1) − ui .
6.4 G-funciones con recursos 173
G(v, u, x) = 1
Unvα y
Un H v (α β) y
− C vγ
+ −
ns Auiα y xi
+
Un H
y˙ = r (K − y) − 1 u (α−β) y
i =1 i
En Sección 5.6, con los valores de parámetro
r = 0.25
K = 100
Un = 0.05
C = 1.5
H = 0.3
α = 0.5
β=1
γ = 0.75
x = x1 · · · xn G (6.8)
Utilizando estrategias
u = u1 · · · unG (6.9)
xi
Exp. Diferencia: (t 1) xi j v u
= =
(6.10)
i = r j −1 + 1, . . . , r j Para j = 1, . . . , ng
Dónde
r0 = 0 i Par
ri =ns j a i = 1, . . . , ng .
j =1
La definición del no-negativo orthant O queda el mismo tan antes. Ahora
podemos proporcionar una definición de un equilibrio ecológico similar a
Defi-nition (6.2.1) parando atención a la definición de n s∗ .
Definición 6.5.1 (equilibrio ecológico – múltiple) Dado un vector de estrategia
u ∈ U, un punto x∗ ∈ O está dicho para ser un punto a favor de equilibrio
ecológico (6.10) proporcionó que allí existe un índice n s∗ con 1 ≤ ns∗ ≤ ns tal
aquello
Hi (u, x∗) = 0 y x ∗ > 0 para i = 1, . . . , ns∗
x ∗= 0
i
Para i = ns + 1, . . . , ns ∗
i
Dónde el orden en qué Hi está numerado está determinado del G de funciones j
6.5 G Múltiple-funciones 175
Según
H (u, x) G (v, u, x)
i = j v=ui
E i y j está determinado del número de aumentar r
Para j = 1, . . . ,
i = r j −1 + 1, . . . , r j ng
Con
r0 = 0
=
i j
Para =
ri ns∗ i 1, . . . , ng
j =1
sec-primer G-la función ha sólo una especie ns1∗ = 1 con densidad positiva, el
El
ond G-funcionar ninguno ns2∗ = 0 con densidad positiva y el
tercer G-función
Tiene
un de dos
especies especies
con 1 ycon
densidades densidad positiva
positivas. Los índices =están
ns3∗G-función
2 . En este∗ =caso,
ordenados hay tres
G -función el restante dos del tercer (n s 3).por utilizar
Con este comprensivo, el ESE restos de definición exactamente igual tan
en Inciso 6.2.2.
≤ = +
176 Evolutionarily estrategias estables
Así mismo el vector de coalición está compuesto de tres estrategias (ns∗ = 3),
uno del primer G-función y dos del tercer G-función
uc = 2 4 6 .
En otras palabras,, en equilibrio, miramos para ver qué G-las funciones tienen
especie en no-cero números de población y entonces definir un vector de
coalición compuesto de único estos. La especie restante está asignada a x ∗m con
estrategias um .
Mantenemos pista de individual en la coalición en la misma manera tan
antes por utilizar el número de aumentar para la especie en la coalición
cuando dado por
r0 = 0
i
= j
Para =
ri ns ∗ i 1, . . . , ng∗
j =1
Con i y j determinó de
i = r j −1 + 1, . . . , r j para j = 1, . . . , ng∗
uc = u1 · · · uns∗
Dónde cada especie en la coalición satisface constreñimientos según
ui ∈ U j
Para j = 1, . . . , ng∗ . Cuándo los constreñimientos están satisfechos en cada
del bauplans también utilizamos la notación
u ∈ U.
En el encima ejemplo, sigue que, para la coalición, ns∗ = 3, ng∗ = 2, r1 = 1, r2
= 3. Con esta interpretación de u c , um , y n s∗ , nuestra definición anterior 6.2.3
para un vector de coalición y definición 6.2.4 para un ESS aplica a este caso.
Primer-dinámica de
estrategia del orden
+
∂ G j (v,u,x) =
∂ G j (v,u,x)
Diferencia: u Di
i = 1 G(v,u,x)|v=ui ∂v v ui
u
=D ∂v v i
Exp. Dife rencia: i
u
=D
i
∂ G j (v,u,x)
∂v v
= ui
Diferencial: u˙i i =
= + −
Dónde ui ui (t 1) ui E i y j está determinado De
Para j = 1, . . . ,
i = r j −1 + 1, . . . , r j ng
Dónde
r0 = 0
i
ri = j =1 ns j para i = 1, . . . , ng .
xj
j =ns1 +1
r
G2 (v, u, x) = 2 1 − c
n s1 b v, u j x j
j =1
b v, u j
= bmax exp
− v−uj
σ b2 2
.
r1 = r2 = c = 0.25
K max = 100
bmax = 0.15
σ2 =2
k
σb2 = 10
Obtuvimos, utilizando Darwinian dinámica, la solución de equilibrio
u∗1 = 0.79, u∗2 = −0.79, u∗3 = 0.56, u∗4 = −0.56 x1∗ = x2∗ = 28.71,
nG = 2
n s1 = 3, ns2 = 3
r1 = 3, r2 = 6
n G∗ = 2
n s1∗ = 2, ns2∗ = 1
r1∗ = 2, r2∗ = 3.
180 Evolutionarily estrategias estables
pi = N Dónde N =xi
i =1
Encontramos que la dinámica de frecuencia correspondiente está dada por el
siguiente
Dinámica de frecuencia
1+ Hi (u,p,N )
¯
Diferencia: pi (t + 1) = pi 1+ H (6.13)
¯
Diferencial: p˙i = pi Hi (u, p,N ) − H
¯
Dónde H es la forma física mediana de la población globalmente
ns
¯ =
H pi Hi (u, p,N )
i =1
Y
Dinámica de medida de población total
Diferencia: N (t + 1) ˙ = N ¯ (6.14)
= N 1+H
Diferencial: N ¯
H.
≤ = +
Prueba. La primera condición sigue de la definición de un ecológico equilib-
∗
¯ = ∗+
Dónde
ns
¯
G= pi G (v, u, p,N )|v=ui
i =1
Dónde ui = ui (t + 1) − ui .
Ejemplo 6.6.1 (L–V juego de competición en plazos de frecuencia) Este
juego (ve Ejemplo 4.7.1) formuló en los plazos de frecuencia está definido
por
G (v, u, p,N ) = K (v) K (v) − N Un v, u j pj ,
ns
r
j =1
Con
! "
v2
K (v) K exp
= m − 2σk2
(v − ui + β)2 ! "
α (v, ui ) 1 exp − exp − β2 .
! 2σα2
= + − 2σα2 "
Cuando en Ejemplo 6.2.1 utilizando
r = 0.25
Km = 100
σα2 = σk2 = β2 = 4
Obtenemos, utilizando Darwinian dinámica, la coalición equivalente de una
solución
u c = u1 = 1.213
p∗ = p1∗ = 1
N ∗ = 83.20.
Así mismo, por cambiar a σ k2 = 12.5, obtuvimos la coalición equivalente
de
6.7 Multistage G-funciones 183
Dos solución
∗ = 0.5652 0.
uc = u1 u 2 =
N∗ =
3.1294 −0.2397
p 4348
90.347.
x i (t + Yo + HiT (u,
Diferencia: 1) = xi x) (6.15)
T
Diferencial: H (u, x) .
Par
x∗ 0 a i ns ∗ 1, , ns .
i = = + ···
Un cambio en la notación de desigualdad distingue esta definición de la
definición de equilibrio ecológica escalara anterior 6.2.1. Definición 6.7.1 es
más general en aquel contiene el otro (cuándo nh = 1, det [Hi (u, x∗)] = 0 es
igual cuando H i (u, x∗) = 0 y x i ∗ > 0 es el mismo tan xi ∗ > 0). Por utilizar
esta definición más general de un equilibrio ecológico, la definición anterior
6.2.2 para un ESE los restos sin cambios.
184 Evolutionarily estrategias estables
Aun así, necesitamos un nuevos ESE lema que requiere algunos trabajo
preliminar. Siguiendo los métodos de Goh (1980), determinamos
condiciones para un punto de equilibrio ecológico de (6.15) para ser un ESE.
. . x .
D = xn s ns
∗
∂ Hns∗
. ∂x 1
.
··· ∗ ∂ xn s∗
∂ Hns∗
. (u,x∗ )
···
Dónde es una matriz de identidad de la misma dimensión que corresponde
aD oH.
H| x
Diferencial: δx˙i = δxi i (u,x∗) + i ns ∂ Hi
j =1 ∂x j (u,x∗) δx j
+ = Yo 0 Yo + H (6.17)
δx i
Diferencia: (t 1) + D Yo + Dm δx
Diferencial: δx˙i = 0 H
D Dm δx
6.7 Multistage G-funciones 185
δxn s
δx˙n s
Y
∂ H1 ∂ H1
m . .. . .
x1 x1
∂ xns ∗ +1 ··· ∂ xns
. .
. x .∂ Hnc
D= ∂ Hnc .
xn s ns
∗ ∂x
∗ ∂x
n s ∗ +1 ··· ns (u,x∗ )
Para i = 1, . . . , ns∗ y
crit Hi |(u,x∗ ) ≤0
Para i = ns∗ + 1, . . . ns .
Prueba. En un punto de equilibrio ecológico x i (t + 1) = x i (diferencia) o x˙
i = 0 (diferencial) la condición de equilibrio siguiente está obtenida de (6.15)
x i HiT (u, x) = 0.
Para una solución no trivial para xi ∗para existir el control de
mosto siguiente
det [Hi (u, x∗)] 0 para i 1, . . . , ns∗ . (6.18)
= =
Tiene que ser
Sigue de (6.18) que al menos un eigenvalue de H i |(u,x∗ ) cero
(i = 1, . . . , ns∗ ). Considerar el caso de ecuación diferencial primero. Estabilidad
para el
n h Vida-etapas de historia (ve Sección 4.8) requiere que el eigenvalues de H i
|(u,x∗ ) ha no-partes reales positivas para i = 1, . . . , ns∗ . La condición de
equilibrio im-chapas que los valores críticos tienen que ser cero también,
implicando el primer condi-
tion De Lema 6.7.2. Lema 6.7.1 requiere que todo del eigenvalues de H el mosto
ha no-partes reales positivas. La segunda condición sigue del hecho que el
eigenvalues de una forma de bloque diagonal es igual al eigenvalues de
Cada bloque. Por ello el valor crítico de H i |(u,x∗ ) tiene que ser menos de o
igual a cero para i = ns∗ + 1, · · · ns . Unos controles de argumento similares
para el caso de ecuación de la diferencia. Estabilidad para eln h etapas de
historia de la vida requiere que el eigen-valores de yo + Hi |(u,x∗ ) tiene
valores absolutos ≤ 1 para i = 1, . . . , ns∗ . Porque
eig Yo+la
librium
primera
valores
bloque. |(u,xforma
Hicondición
condición
de una sigue. λbloque
∗ ) = implica
+ La
1 de (dónde
que el
j segunda λmosto
j es elde
condición
diagonal eigenvalues
sonvalores
sigue del
iguales alhecho |cero
deeigenvalues
Heli que
crítico (u,xel )eigen-los
igual
∗ ) el equi-
de y la
cada
Por
ceroello
parael ivalor
= ns∗ crítico
+ 1, · ·de
· nyo + Hi |(u,x∗ ) tiene que ser menos de o igual a
s.
Definición 6.7.2 (vector de coalición – multistage) Si para el sistema (6.15) allí
existe un punto de equilibrio ecológico x∗ correspondiendo al vector de
estrategia u
∈ U, entonces el composite de las estrategias para el primer grupo de índices se
apellida un vector de coalición, uc = [u1 · · · unc ], y el composite estrategias
del segundo grupo de índices está designado por el vector um = [unc +1 · · · unx
].
Definición 6.7.3 (ESS – multistage) Un vector de coalición uc ∈ U está
dicho para ser un evolutionarily estrategia estable (ESS) para el punto de
equilibrio x∗ si, para todo
n s > ns∗ Y todas las estrategias um ∈ U, el punto de equilibrio x∗ es un
equilibrio ecológicamente estable (ESE).
6.7 Multistage G-funciones 187
Dónde ui = ui (t + 1) − ui .
Ejemplo 6.7.1 (multistage juego preceptoral) El juego Introducido
Esto era en
Sección 4.8. Tiene una vida de dos etapas historia con estrategias escalaras
(los subíndices solos únicos están requeridos) con el G -matricial
nx
1 4 v v2 u x
− + − − j =1 j j1 v
n x
G(v, u, x) = v x j1 .
− j = 1
Dinámica de población
Diferencia: x i (t + 1) = xi 1 + G (v, u, x)|v=ui
|
Exp. Diferencia: x i (t + 1) = xi exp G (v, u, x) v=ui (6.20)
Diferencial: x˙i = xi G (v, u, x)|v=ui .
Aquí relajamos la suposición que un equilibrio existe, pero requerir que las
soluciones generaron por la dinámica queda acotada. Esto deja para
periódico, quasi-periódico, o movimiento caótico con trajectories que
mentira en órbitas periódicas, ciclos de límite (continuos) o n -ciclos
(discretos), y extraños attractors (ve Inciso 2.5.7). Para llegar en un ESS
definición debajo no-dinámica de equilibrio, necesitamos reafirmar un
número de definiciones anteriores. Utilizamos la notación x◦ para denotar
todos los puntos en una órbita periódica, ciclo de límite, n-ciclo, o extraño
attractor.
Par
x◦ 0 a i ns◦ 1, . . . , ns .
i = = +
Una notación de vector modificada aplica (p. ej., xi ◦ > 0 significa que para
cada punto en el ciclo ecológico, x > i 0). Las definiciones siguientes son casi
idénticas a aquellos de Sección 6.2 con x ◦ reemplazando x ∗. El equilibrio
ecológicamente estable
7
Una aproximación similar puede ser utilizada con cualquier de las otras categorías con
apropiados notational cambios.
6.8 No-equilibrio Darwinian dinámica 189
Diferencia:
Exp. Diferencia:
x i (t + 3) = xi (t + 2) {1 + Hi [u (t + 2) , x (t + 2)]}
x i (t + 3) = xi t + 2) 3 { i [u t + 2) , x t + 2)]} .
( exp H ( (
*
Diferencial: x i (t0 + 3) = xi (t0) + t0 Hi [u (t ) , x (t )] dt
Dónde t es el tiempo de empezar para las ecuaciones de diferencia y t 0 es el
empezando
8
Para quasi-movimiento periódico o caótico el sistema nunca regresa a su punto de
partida. En estos casos, el sistema está dicho para completar un ciclo ecológico si regresa
a un punto muy cercano a dónde empiece.
190 Evolutionarily estrategias estables
Hi [u (t + n) , x (t + n)] = Hi(n)
i (n)
x i (t + n) = x
De la primera ecuación de diferencia tenemos
= xi
(1)
1 + Hi(1) 1 + Hi(2)
= xi
(0)
1 + Hi(0) 1 + Hi(1) 1 + Hi(2)
i 2
=x
(0)
+ 1 + Hi( j )
j =0
= xi
(1) (1) (2)
exp Hi exp Hi
i
=x
(0)
exp Hi(0)exp Hi(1) exp Hi(2)
= xi (0) exp 2 Hi( j ) .
j =0
x i (t +
Diferencia: n) = x i (t ) [1 + Hi (u, x◦)]
x i (t +
Exp. Diferencia: n) = x i (t ) exp Hi (u, x◦)
x ◦
Diferencial: i t0 + t f = x i (t0) + Hi (u, x )
Desde los regresos de sistema a dónde empiece, sigue aquello
Hi (u, x◦) = 0
Representa un requisito de equilibrio para un ciclo ecológico.
Lema 6.8.1 (ESC) Dado u ∈ U, si un ciclo ecológico x ◦ es un ESC
entonces
Par
Hi (u, x◦) = 0 a i = 1, . . . , ns◦
Par
H j (u, x◦) 0 a j ns
◦ 1, . . . , ns .
≤ = +
Prueba. Elegir cualquier punto x (t0) en un ciclo ecológico e iterar o integrar
(6.20) hasta los regresos de sistema a x (t0) (o un barrio arbitrariamente
pequeño
6.8 No-equilibrio Darwinian dinámica 191
para x j , será más grande que los valores de empezar para x j . Esto
contradice la suposición que el ciclo ecológico x◦ es un ESC, desde este valor
de final tendría que ser aproximación -ing x (t0) (recuerda que x j = 0 es en
el ciclo ecológico; por ello tal punto sólo puede ser acercado por valores de
Dinámica de población
Diferencia: x i (t + = x i 1 + G (v, u, x)|v=ui
1) = x i exp G (v, u, x)|v=ui
Exp. Diferencia: x i (t +
1) = x i G (v, u, x)|v=ui
Diferencial: x˙i
Primer-dinámica de estrategia del orden
= ∂v
Diferencia: u i
∂G
1+ G|ui
Di
ui
ui = Di ∂∂Gv u
Exp. Diferencia: i
Dónde ui = ui (t + 1) − ui .
192 Evolutionarily estrategias estables
Ejemplo 6.8.2 (no-equilibrio L–V juego) El G-la función está definida por
G (v, u, x) = K (v) K (v) − Un v, u j xj
r ns
j =1
Dónde
v2
K (v) K exp
= m − 2σk2
Un (v, (v − ui + β)2 β2
ui ) 1 exp exp 2σun .
= + !− 2σun2 "− !− 2 "
Consideraremos la misma coalición de dos caso cuando en Ejemplo 6.2.1,
exceptúa que ahora utilizamos el modelo de ecuación de la diferencia y
aumento r suficientemente alto para producir caos. Utilizando
r = 2.8
K m = 100
2
σα = β = 4, σk2 = 12.5
2
Con σ 12 = σ22 = 0.5 cosechas los resultados ilustraron en Figura 6.3. Una vez
más nosotros
60
Densid
40
ad
20
0 10 20 30 40 50 60 70 80 90 100
0
4
3
Estrategi
2
1
a
0
−1
−20 10 20 30 40 50 60 70 80 90 100
Tiempo
Figura 6.3 Un ESS coalición de dos bajo dinámica de densidad caótica.
6.8 No-equilibrio Darwinian dinámica 193
u∗ = 3.1294 −0.2397 .
xi
50
β= . i =1
Si dejamos los otros parámetros ser dados por
r = 2.6
K m = 100
σα2 = σk2 = 4
Y escoger una escala de tiempo moderada para el primer-dinámica de estrategia
del orden (con el plazo de velocidad σ12 = 0.5) obtenemos, utilizando el modelo
de ecuaciones de diferencia exponencial, los resultados mostrados en Figura 6.4.
Si σ12 está aumentado mucho encima 0.5, la dinámica de sistema deviene
inestable. Aun así, si nosotros disminución σ12 (σ12 = 0.02) entonces la
dinámica de estrategia no sigue la dinámica de población también y una
dinámica de estrategia más lisa está obtenida tan ilustrada en Figura 6.5.
Naturalmente toma mucho más para un ESS estrategia para evolucionar y el
strat-egy sigue en un 4-ciclo, pero ahora el oscillations es suficientemente
pequeño que podemos aproximar un candidato ESS estrategia para ser u =
0.845. Figura 6.6
L–V juego de competición
200
Densid
150
ad
100
50
0
0 5 10 15 20 25 30 35 40 45 50
1
Estrategi
0.8
a
0.6
0.4
0.2 0 5 10 15 20 25 30 35 40 45 50
Tiempo
150
Densida
100
d
50
0.8
Estrategi
0.6
a
0.4
Figura 6.5 En un índice más lento de evolución, la dinámica de estrategia deviene más lisa.
6.8 No-equilibrio Darwinian dinámica 195
150
Densida
d 100
50
1.2
1
Estrategia
0.8
0.6
0.4
100 200 300 400 500 600
0.20 Tiempo
Figura 6.6 Un ESS debajo no-dinámica de equilibrio.
197
198 El ESS principio máximo
Para i = 1, . . . , ns∗ .
Prueba. Del ESE lema 6.2.1, una condición necesaria para un equilibrio
ecológico está dada por
≤ = +
7.1 principio Máximo para G-funciones con estrategias escalaras
199
H j u, x∗ ≤ Hi u, x∗ = 0
O en plazos del G -función
Junto con =
Km exp v2
K (v)
2
= − 2σk
Y un no-symmetric función de distribución
.
U
v−uj +β 2 β2
n v, u j 1 exp exp
2σun
= + − 2σun2 − −
2
x∗
1
Km exp .
1
Nosotros entonces
puestos
∗
∂G 1, x1
∂v =0
v, u
v u1
=
Para obtener
2 2
= σk − β
β
σα
u1
un2
2σ
exp .
Cuando en Ejemplo 6.2.1, considera otra vez el caso concreto con
r = 0.25
K m = 100
2
σα = σk2 = β2 = 4.
Para estos parámetros, el por encima de las ecuaciones ceden los mismos
resultados cuando obtuvimos en Ejemplo 6.2.1 utilizando Darwinian
dinámica
u c = u1 = 1.213 x
∗
= x1∗ = 83.19.
7.1 principio Máximo para G-funciones con estrategias escalaras
201
0.1
−0.1
−0.2
−0.3
G* v)(
−0.4
−0.5
−0.6
−0.7
−0.8− 4 −3 −2 −1 0 1 2 3 4
v
Figura 7.1 En un ESS, G∗ (v) tiene que apechugar con un máximo global cuándo v = u1 .
Ahora tenemos que comprobar para ver si esta solución cede un máximo
global a G v, u1, x1∗ . Esto es más fácilmente hecho por sencillamente
plotting elG ∗-funcionar vs. v tan ilustrado en Figura 7.1. Desde la solución
cede un máximo global en
u 1 = 1.213, sigue que Teorema 7.1.1 está satisfecho por esta solución. Aun así,
no podemos reclamar esto es un ESS hasta que demuestramos que la solución es
al menos un local ESE (implicando, es establo convergente ). El ESS el principio
máximo es una condición necesaria y, este siendo tan, soluciones que satisface
el ESS el principio máximo es candidato único ESS soluciones. Tenemos que
confiar en el ESS definición para completeness. Una manera fácil de demostrar
la estabilidad convergente es por utilizar
Darwinian Dinámica. Ya hemos hecho esto en Ejemplo 6.2.1 y sabemos que
dinámica de estrategia resultará enu 1 = 1.213. Uno puede utilizar la
dinámica de población (Sección 6.2.5) para mostrar que la dinámica
ecológica converge en la medida de población del equilibrio. Por ejemplo,
escogiendo u1 = 1.213 y x1 = 50 vemos de Figura 7.2 que el sistema de
ecuación diferencial deprisa regresa a x1∗. Estrictamente hablando un tiene
que comprobar todos los puntos en el barrio de x 1∗. Un alternativo
eigenvalue el análisis también puede ser utilizado (Sección 5.11); aun así,
este análisis es difícil de aplicar a las soluciones que implican un ESS la
coalición más grande que uno.
202 El ESS principio máximo
85
80
75
Populationdensity
70
65
60
55
500 5 10 15 20 25 30 35 40 45 50
Tiempo
u 1 = 3.639
x1∗ = 57.58.
Este tiempo, la parcela de G (v) = G v, u1, x1∗ vs. v tan ilustrado en Figura
∗
7.3 no produce un máximo global en u1. En cambio u1 reside en un local
min-imum – casi un sillín – del adaptive paisaje. La forma de la curva
sugiere un ESS coalición de dos. Desde el ESS el principio máximo no puede
ser satisfecho por un ESS coalición de uno, tenemos que buscar un ESS
coalición de dos. Esto requiere la solución simultánea del sistema siguiente
de ecuaciones
G u1, u, x∗ = 0
G u2, u, x∗ = 0
∂ G (v, u, x∗)
=0
∂v v=u1
∂ G (v, u, x∗)
=0
∂ vv=u2
7.1 principio Máximo para G-funciones con estrategias escalaras
203
0.16
0.14
0.12
0.1
0.08
G*v)(
0.06
0.04
0.02
−0.02
−4 −3 −2 −1 0 1 2 3 4 5
v
Figura 7.3 La solución obtenida no satisface el ESS principio máximo.
cated.
Para
r (u1 − u2 + β)2
r 2 x1 1 exp
u1
2σun
− K exp
m 2 +
!
+ − 2
2
%− 2σk & − − β 2σun2
" =
exp x2 0.
Sigue que una solución analítica es muy difícil sin la ayuda de software de
manipulación simbólica. Uno obtiene
x∗ x1∗ x1∗ 52.27 37.58 .
u
c = u1 u 2 = 3.036 −0.3320
= =
Aun así, Darwinian la dinámica también puede soler encontrar esta solución de
equilibrio. Una vez una solución está obtenida (por cualquier método), tenga
que ser comprobado para ver si (7.1) está satisfecho. Una ventaja con utilizar
Darwinian dynam-ics para obtener una solución es que este trajectory es establo
convergente. Mientras no prueba que el punto de solución es un ESE (desde
entonces no todo posible trajectories ha sido comprobado) es al menos una
indicación buena que la solución es convergente
204 El ESS principio máximo
0.01
−0.01
−0.02
G*v)(
−0.03
−0.04
−0.05
−0.06
−0.07
−4 −3 −2 −1 0 1 2 3 4 5
v
Figura 7.4 Un ESS coalición de dos estrategias cuando indicados por la caja
abierta y asterisco..
x1 (0) = x2 (0) = 10
Y estrategias
u1 = 3.036 u2 = −0.3320.
Ahora comprobamos este candidato por plotting G ∗ (v) = G v, u1, u2, x1∗,
x2∗ cuando il-lustrated en Figura 7.4. Vemos que esta solución satisface el
ESS principio máximo y es más probablemente establo convergente (por ello
un cierto ESS).
7.2 principio Máximo para G-funciones con estrategias de vector
205
Para i = 1, . . . , nc .
Prueba. De Lema 6.2.1 (este lema es válido para ambos escalar y estrategias
de vector), una condición necesaria para un equilibrio ecológico está dada
por
Par
∗
Hi u, x
Hi
= a
u, x
0
∗
i i =1, . . . , ns∗
0 Para s
n ∗ 1, . . . , ns.
≤ = +
Sigue que para cualquier i = 1, . . . , ns∗ y cualquier + 1, . . . , ns
j = ns∗
H j u, x∗ ≤ Hi u, x∗ = 0
O en plazos del G -función
= 0.
∗ ∗
G(v, u, x ) v=u j ≤ G(v, u, x ) v=ui Cualquier um ∈ U.
El ESS la definición requiere que x∗ quedar un ESE Condición
para (7.3) satisface este requisito.
Para el caso de n u = 1 o 2 tenemos una interpretación gráfica buena del
principio máximo en plazos del adaptive paisaje cuándo nosotros G de
parcela (v, u, x∗) vs. v desde entonces podemos ver los cerros y valles del
paisaje en tal parcela. El principio máximo requiere que un ESS solución de
coalición ser localizado en las cumbres más altas (todo de los cuales tienen
que tener la misma altura). Si las estrategias son unconstrained, sigue que
podemos utilizar el requisito que el gradiente del G -función con respetar a v
tiene que ser cero en un ESS
∂ G(v, u, x∗)
= 0, i = 1, . . . , nc .
∂v
v=ui
Ejemplo 7.2.1 (L–V matón grande juego – coalición de un) Este juego,
intro-duced en Ejemplo 4.4.1, utiliza el Lotka–Volterra G-función
G (v, u, x) = K (v) K (v) − Un v, u j x j
r r
j =1
Con un vector-estrategia valorada que tiene dos componentes. Las primeras
influencias de componente tanto la capacidad de llevar
2
v1
K (v) 1 v2 2 Kmax exp
2
= − − 2σk
Y el coeficiente de competición
Un v, u v1 − u j 1 + β β2
2
j 1 B j exp exp .
2σun
= + − 2σun2 − − 2
El segundo componente de la estrategia de un individual, v2, influencias
tanto el automovilísticos-rying capacidad y los coeficientes de competición
vía una “función” de matón
Bj = 1 + Bmax u j 2 − v2 .
Pusimos los parámetros del modelo iguales a los valores siguientes.
Kmax = 100
R = 0.25
2
σ =4
α
β=2
Bmax = 1.
Debido a la complejidad del problema utilizamos Darwinian dinámica para
buscar
7.2 principio Máximo para G-funciones con estrategias de vector
207
−0.05
−0.1
Función-G
−0.15
−0.2
−0.25
−0.3
2
−0.351 0.8 0.6 0.4 0 1
0.2 0 −0.2 −0.4 −1
v
2 v1
Figura 7.5 Un ESS coalición de una estrategia. A toda costa del número de
empezar especie o sus valores de estrategia iniciales, adaptive Darwinian
resultados en el solos-estrategia ESS.
uc = u1 = [ 0.6065 0.2796 ]
x ∗ = x ∗ = 84.08.
1
Figura 7.5 ilustra que esta solución satisface el ESS principio máximo. El
candidato ESS aparece para ser global con respetar a estabilidad de
convergencia y con respetar al número de especies. A toda costa del valor de
empezar para la estrategia de la especie, dinámica de estrategia evoluciona a u c
. Si uno empieza con varias especie, las estrategias de todo de la especie
finalmente evoluciona a la misma cumbre. Concluimos que el modelo de
ecuación diferencial tiene un ESS coalición de una especies. En el ESS, la
especie tiene una medida de población que es menos de él habría tenido en u =
[0 0]. Cuándo ambos componentes de estrategia cero igual,
208 El ESS principio máximo
Dos especies. Tan antes, empezamos con una especie sola con u
(0) = 0 0 y
Creciente a
uc = u1 = [ 2.426 0.2796 ]
x ∗ = x1 = 63.82.
Esta solución es en un punto máximo local del adaptive paisaje. Pero no es
un ESS. El G-la función es más grande que cero en otro lugar, de modo que
la solución es susceptible a invasión. La estabilidad convergente de esta
solución puede ser ver-ified por empezar el sistema con dos especies, n s = 2,
en el barrio de este máximo local y notando que los regresos de sistema a la
misma cumbre con las dos especies que utilizan el mismo uc estrategias. Aun
así, si empezamos el sistema con dos especies, n s = 2, con valores de
estrategia lejos bastante fuera del máximo local
u1 (0) = −1.2 0.3
uc = u1 u2
u1 = −1.204 0.3025
0.2609
x∗ = x1 = 13.69 61.72 .
7.2 principio Máximo para G-funciones con estrategias de vector
209
0.005
−0.005
Función-G
−0.01
−0.015
−0.02
−0.025
0.5
0.4 0.3 3 3.5
0.2 0.11 1.5 2 2.5
v2 v1
Figura 7.6 Decrecimiento el nicho de la presa breadth de aquel de Figura 7.5
cambios el resultado. Cuándo el sistema está apremiado para tener una especie
sola, entonces, a toda costa de condiciones iniciales, evoluciona a un máximo
local. Esta estrategia de especies solas no es un ESS.
Figura 7.7 ilustra que esta solución es un ESS coalición de dos. Cada estrategia
de especie satisface el ESS principio máximo. Este ejemplo tiene dos soluciones
estables convergentes. Si empezamos el sistema con justo una especie sola,
siempre evoluciona al no-ESS el máximo local mostrado en Figura 7.6. Si
empezamos con dos o más especie, cualesquier valores de estrategia continúan
evolucionar hacia el no-ESS solución de una especies, o evolucionan al ESS de
dos especies. En otras palabras,, el ESS es localmente establo convergente pero
no globalmente establo convergente. Los valores de estrategia para al menos dos
de la especie inicial tiene que ser suficientemente lejos aparte para el sistema
para evolucionar al ESS. Es digno de mención que el adaptive paisaje en el ESS
proporciona ninguna idea o pistas al no-ESS solución estable convergente, y el
adaptive paisaje en el no-ESS la solución estable convergente revela poco con
respecto al real ESS.
0.005
0
−0.005
−0.01
Función-G
−0.015
−0.02
−0.025
−0.03
−0.035
−0.04
−0.045 4
0.5 3
0.4 2
0.3 1
0.2 0
0.1 −1
0 −2
v v1
2
Figura 7.7 Darwinian resultados de dinámica en ESS cuándo los inicios de
sistema con dos o más especie con suficientemente valores de estrategia
iniciales distintos. Aun así, no todo empezando necesidad de condiciones
produce este resultado. Para algunos empezando condiciones (con dos o más
especie) el sistema convergerá en el solo, lugareño, no-ESS cumbre de Figura
7.6.
Dónd
e El Recurso Vector y = y1 · · · yn y y la función de vector
Ambos haber
N
N= 1· · · Nn y n y Componentes. En general, el G -función
Incluye y dependencia.
Ni u, x∗, y∗ = 0 para i = 1, . . . , n y .
Para i = 1, . . . , nc .
Prueba. De Lema 6.4.1, una condición necesaria para un equilibrio ecológico
está dada por
Par
Hi u, x∗, y∗ = 0 a
H i
i i =1, . . . , ns∗
∗ ∗
u, x , y 0 Para s
n ∗ s.
1, . . . , n
≤ = +
Sigue que para cualquier i = 1, . . . , ns∗ y
cualquiera j = ns∗ + 1, . . . , ns
H j u, x∗, y∗ ≤ Hi u, x∗, y∗ = 0 o en
plazos del G -función
u H C (α − β) β−γ
. (7.7)
= (α − γ )
Este resultado satisface Bergmann regla: optimal medida de cuerpo tendría que
remontar cuándo la temperatura baja. Esto pasa porque C , el coste energético
de foraging, aumentos con una disminución en temperatura. Y u aumentos con
crecientes C . Vemos que estos resultados de regla porque medida de cuerpo es
un ESS! Si ahora aplicamos (7.7) con los mismos parámetros cuando utilizados
en Ejemplos 5.6.1 y 6.4.1 obtenemos
u = 0.6561.
Esto es la misma respuesta cuando obtenido en Ejemplo 5.6.1 utilizando
Darwinian dy-namics. Plotting El adaptive el paisaje que utiliza el Ejemplo
5.6.1 solución de equilibrio
x ∗ = 10.5167, y∗ = 54.000, u∗ = 0.6561
7.4 principio Máximo para G múltiple-funciones 213
−0.01
−0.02
−0.03
−0.04
Función-G
−0.05
−0.06
−0.07
−0.08
−0.09
≤ = +
Ahora tenemos que poner orden qué funciones de forma física pertenecen a
qué G-funciones. Dejado todo de la forma física funciona aquello pertenece a
G -funcionar j ser designado con el superíndice H j . Supone que ns∗j < ns j
para cada del G -funciones también. El por encima de las condiciones
necesarias están reafirmadas como sigue: en un ESE es necesario que para j
= 1, . . . , ng∗
Par
H j u, x∗ 0 a i 1, . . . , ns∗
Par
Hi j u, x∗ = 0 a i = ns 1, .j . . , ns .
= i ≤ j
= ∗j + j
= j
+
∂v
v=ui
Dónde i y j está determinado según (7.9). Nota que poniendo el gradiente
igual a cero productos nc × nu ecuaciones. Estas ecuaciones junto con el n c
ecuaciones de equilibrio
G(v, u, x∗) v=ui = 0, i = 1, . . . , nc
7.4 principio Máximo para G múltiple-funciones 215
j =1
Dónde
= − σk 2
v2
K (v) Kmax exp
σU
2
Un v, u j
= exp
− v−uj
n 2
b v, u j
= bmax exp
− v−uj
σ b2 2
.
Kmax = 100
bmax = 0.15
σ2 =2
k
0.01
−0.01
Presa
−0.02
G *v)(
−0.03
Predator
−0.04
−0.05
−0.06
−0.07
−1.5 −1 −0.5 0 0.5 1 1.5
v
2
Figura 7.9 Utilizando σb = 10 resultados en un ESS coalición con una presa y
un predator. Hay una ilusión que el paisaje para las inmersiones de presa. Es de
hecho un máximo cierto cuando es el predator.
0.02
Presa
−0.02
−0.04
G *v)(
Predator
−0.06
−0.08
−0.1
−0.12
−1.5 −1 −0.5 0 0.5 1 1.5
v
Figura 7.10 Utilizando σb2 = 4 resultados en un ESS coalición con una presa y dos
predators.
0.005
Presa
−0.005
−0.01
G*v)(
−0.015 Predator
−0.02
−0.025
−0.03−1
−0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1
v
Figura 7.11 Utilizando σb2 = 1 resultados en un ESS coalición con dos presa y dos predators.
218 El ESS principio máximo
0.005
Presa
0
−0.005
−0.01
−0.015
G*v)(
−0.02
Predator
−0.025
−0.03
−0.035
−0.04
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1
v
2
Figura 7.12 Utilizando σb = 0.75 resultados en un ESS coalición con tres presa
y dos predators.
≤ = +
Sigue que para cualquier i = 1, . . . , ns∗ y
cualquiera j = ns∗ + 1, . . . , ns
∗ ∗
H j u, p , N ≤ Hi u, p∗, N ∗ =0
220 El ESS principio máximo
Con
! "
v2
K (v) K exp
= m − 2σk2
−0.01
−0.02
G *v)(
−0.03
−0.04
−0.05
−0.06
−4 −3 −2 −1 0 1 2 3 4 5
v
Figura 7.13 Un ESS coalición de dos estrategias cuando indicados por el círculo y
asterisco.
0.18
0.16
0.14
0.12
0.1
G * v)(
0.08
0.06
0.04
0.02
−0.02
−4 −3 −2 −1 0 1 2 3 4 5
v
Figura 7.14 Un caso donde Darwinian la dinámica no resulta en un ESS solución.
222 El ESS principio máximo
Un ESS. En este caso, las condiciones iniciales son tal que las dos especies
evolucionan al mismo resultado cuando obtenido si sólo una especies estuvieron
dejadas para evolucionar.
Para i = 1, . . . , ns∗ .
7.6 principio Máximo para multistage G-funciones 223
f (v) = −1 + 4v − v2.
En Ejemplo 6.7.1 verificamos, utilizando estrategias mutantes, que la
coalición de una solución
Dónde
x11∗ = 4 + 4 √ 17 = 1. 781
3 1
x12∗ = 2 + 2 √ 17 = 4. 562
5 1
5 1
u1 = 2 + 2 √ 17 = 4. 562 .
Cuando mostrado en Figura 7.15, el adaptive el paisaje tiene un máximo
global de cero en u1 = 4.562.
Mientras el por encima del modelo elemental no puede caber o dirigir
cualquier concreto ques-tion en evolución de historia de la vida, muestra cómo
una variedad de escenarios de historia de la vida puede generar una matriz de
proyección similar. En Ejemplo 4.8.1 escogimos a int-erpret las etapas como
reproductivos e individual no reproductivos donde dependencia de densidad y la
competición sólo ocurren entre individual reproductivos. Alt-ernatively, estas
etapas pueden ser interpretadas como densidades de población dentro de una
fuente (estado reproductivo) y fregadero (estado no reproductivo) hábitat.
7.7 principio Máximo para no-dinámica de equilibrio 225
−0.2
−0.4
−0.6
crit[ G(,v u,x*)]
−0.8
−1
−1.2
−1.4
−1.6
−1.8
−10 −8 −6 −4 −2 0 2 4 6 8 10
v
Figura 7.15 Un multistage ESS coalición de una estrategia.
u=
u1 · · = uc um .
· us
Si el vector de coalición uc es un ESS para x◦ entonces
max G(v, u, x◦) G(v, u, x◦) |v=u = 0 (7.14)
v = i
∈U
Para i = 1, . . . , ns◦ .
Prueba. De Lema 6.8.1, una condición necesaria para un equilibrio ecológico
está dada por
Pa
◦ ◦
H (u, x ) 0 ra i 1, . . . , n
i = = s
H Pa
j (u, x◦) ≤ 0 ra j = ns◦ + 1, . . . , ns .
Sigue que para cualquier i = 1, . . . , Y para cualquier j = ns◦ + 1, . .
ns◦ . , ns
H j (u, x ) ≤ Hi (u, x◦) = 0
◦
j =1
Dónde
v2
K (v) K exp
= m − 2σk2
Un (v, (v − ui + β)2 β2
ui ) 1 exp exp 2σun .
= + !− 2σun "−
2 !− 2 "
Y r > 2. Aquí utilizamos las ecuaciones de diferencia exponenciales, con el
param-eters
r = 2.6
K m = 100
σα2 = β2 = 4, σk2 = 12.5.
Darwinian La dinámica cede la misma solución de equilibrio cuando
obtuvimos utilizar el modelo de ecuación de la diferencia en Ejemplo 6.8.2
u∗ = 3.1294 −0.2397 .
60
40
20
00 10 20 30 40 50 60 70 80 90 100
4
Estrategi
3
2
a
1
0
−1
−2 0 10 20 30 40 50 60 70 80 90 100
Tiempo
Figura 7.16 El ciclo ecológico en este caso es un 4-ciclo.
2.12
−2.5 2.115
−2.55 2.11
−2.6 2.105
−2.65−2 0 2 4 2.1−2 0 2 4
t = 99, G = [ −1.360 −1.360] t = 100, G = [1.584 1.584]
−1.35 1.6
−1.4
1.58
v,u,x(G *)
−1.45
−1.5 1.56
−1.55
1.54
−1.6
−2 0 2 4 −2 0 2 4
v
Figura 7.17 El adaptive paisaje en cada de los cuatro puntos de un ciclo
ecológico. El paso de tiempo y el valor del G -la función en cada cumbre está
notada en la parte superior de cada graph.
7.7 principio Máximo para no-dinámica de equilibrio 229
2.4 0
v = 0.798
2.2 v = 0.828 −10 G* = −1.373
(v) G*
G* = 2.121 −20
G *v)(
2 −30
−40
1.8
−50
1.6 −4 −2 0 2 4 6 −60−4 −2 0 2 4 6
v v
2 0
v = 0.887
1.5 −20 G* = −2.314
v
(
G *)
v = 0.920
G* = 1.566
G* v)(
1 −40
0.5 −60
0 −80
−4 −2 0 2 4 6 −4 −2 0 2 4 6
v v
Figura 7.18 Una parcela del adaptive paisaje en cada punto del 4-ciclo.
Según
1 ns
50
β= i =1 x i .
Cuando en Ejemplo 6.8.3, dejamos los otros parámetros ser dados por
r = 2.6
K m = 100
σα2 = σk2 = 4
Con la escala de tiempo para el primer-dinámica de estrategia del orden
dada por σ 2 = 0.5. Esté mostrado en Ejemplo 6.8.3 que Darwinian la
dinámica trae el sistema a un establo convergente n-ciclo en ambas la
densidad de población y estrategia. Figura 7.18 ilustra el adaptive paisaje
en los cuatro puntos del ciclo ecológico. Estas parcelas confirman que la
estrategia que sigue rápida no es un ESS para este caso desde entonces él
no maximize el G-función en cada punto del ciclo. Observa, aun así, que la
suma de losvalores ∗ de G es cero (un requisito de ciclo ecológico).
Puede uno siempre encuentra una estrategia constante que tendrá ESS
propiedades con respetar a estrategias mutantes que siguen rápidas?
Si tan, cómo uno lo encuentra?
Qué es la definición apropiada para un ESS en un mundo de estrategias que
siguen rápidas?
8
Especiación y extinción
Primero, individual (gusta asunto en el universo) tiende para ser clumped más
que aleatoriamente o uniformemente extendido a través del espacio de todo
imaginable morpholo-gies, fisiologías, y comportamientos. Este clumping de
individual alrededor de dis-crete lata de tipos a nosotros ser conspicuous – es
duro a misidentify un elefante. Aun así, para alguna especie, pueda ser
realmente delicado. Por ejemplo, ambos humanos y machos hummingbirds
encontrarlo nigh imposible de distinguir la identidad de especie de seguro
hembra hummingbirds. Pero, si estrechamente clumped (como planeta o
asteroide) o únicos vaguely clumped (más estilo nebulosa), lata de individual
y parecer para ser naturalmente ordenado como clases discretas.
Segundo, mucho tiempo antes de que Darwin, heritability estuvo
reconocido por el hecho que las clases tendieron para criar entre ellos
(assortative apareamiento). Assorta-tive El apareamiento puede ser
socialmente o geográficamente impuesto, o se pueda deber a
constreñimientos físicos (elefantes y hummingbirds no puede criar en
cualquier circunstancia). Naturalmente, los híbridos ocurren; aún así el
muy el concepto de un “híbrido” implica que los organismos pueden ser
agrupados por heritable características y que cruces entre novela de
producto de los grupos, todavía previsible, mezclas de heritable traits.
231
232 Especiación y extinción
Valor operacional, mientras proporcionando quizás poca idea a por qué hay
especie.
El concepto de especie filogenético (Brooks y McLennan, 1991) define una
especie como los nodos terminales de árboles filogenéticos cuando identificados
por compartidos de-rived caracteres. Una especie contiene todo de los
descendientes de un antepasado común que todavía compartir los mismos valores
para algún conjunto de derivado traits. Diferencias entre poblaciones de
individual con respetar a derivado traits distinguir especie. De este modo, la
especie es colecciones de individual clumped en espacio de carácter, pero el
ordenando de las especies es jerárquicas, basados en monophyletic agrupaciones
de individual a especies y especie a clades. Es una definición estadística de una
especie basada en formas concretas de análisis de grupo que describe la
distribución de caracteres entre individual, pero no adscribe fuerzas evolutivas
para explicar los caracteres' estados y su dinámica. La selección de caracteres es
un poco arbitrario y mucho debate animado ocurre con respecto a bueno vs.
caracteres malos. Los caracteres pueden ser traits bajo selección fuerte como ala
mor-phology en insectos, o los caracteres pueden ser silenciosos no-sustituciones
de gen de la codificación que no puede ser subject a selección natural. El nivel de
subdivisión del popu-lation a especies y por ello el número de especies puede
depender de la selección de caracteres. Con bastantes caracteres, literalmente
cada individual de una especie asexual deviene su rama terminal propia; y con
especie de ADN mitocondrial puede ser definida al nivel de cualquier apellido
hembra distinto. El concepto de especie filogenético queda útil para las
metodologías estadísticas actuales de sys-tematics. Pero, a la extensión que la
selección natural contribuye al branching de árboles filogenéticos y a la colección
del individual alrededor compartieron caracteres, ignora qué puede ser el
proceso de definir .
El concepto de especie morfológico (Mayr, 1970) agrupa el individual a
especies basaron a morfologías reconocibles. Confía en el clumping de
individual en espacio morfológico con la suposición que hay poco mor-
phological overlap entre especie diferente. Utiliza la idea de compartido charac-
teristics, pero, a diferencia de análisis filogenético, representa una menos
definición estadística formal de una especie. Los caracteres no son ordenados
como jerarquía de rama-ing y a menudo la semejanza morfológica puede ser
basada en gestalt. Este concepto proporciona para relativamente asignación fácil
de individual a especie sin la necesidad para conocimiento de interbreeding
(concepto de especie biológica) o prescribió medidas de matrices de carácter
completo (concepto de especie filogenética). Los problemas ocurren cuándo las
morfologías distintas surgen de estrategias condicionales como género o casta
(recuerda el macho y hembra whydahs!). Es esencial que las morfologías ser
heritable e inclusive de todas las formas que surge con-ditionally. A pesar de que
esta definición puede ser criticada cuando siendo el menos formal o
rigurosamente aplicable, tiene algunos propiedades operacionales valiosas.
Mientras
236 Especiación y extinción
Las mismas tres cumbres siempre serán ocupadas. Las extinciones pueden
ocurrir cuándo dos o más las estrategias suben el adaptive paisaje hacia el
mismo valor de estrategia estable convergente. Por ejemplo, cuándo dos
estrategias se encuentran en la misma pendiente, y si evolucionan en la
misma velocidad, la estrategia baja abajo de la cumbre experimenta forma
física más baja y por ello sus disminuciones de población a expensas de la
especie más alta arriba de la pendiente. Por otro lado, si estos dos estrategias
estuvieron localizadas en lados opuestos de una cumbre, podrían convivir
para un tiempo largo, a no ser que los cambios de paisaje para colocar ambas
especie en la misma pendiente. Es también posible para dos estrategias a
coevolve a la misma cumbre. En este caso, devienen indistinguishable.
Lo encontramos útiles de definir la estrategia que corresponde a un punto
estable convergente en el adaptive paisaje (ve Sección 6.2.4) como arquetipo de
especies. Arquetipos de especie son propiedades del G -función y el conjunto de
constreñimiento de la estrategia. Arquetipos de especie existen si o no un punto
estable convergente es actualmente ocupado por una estrategia en la población; y
existen si o no población muy actual es en un evolutivo trajectory hacia un dado
punto estable convergente. Tan convergente puntos estables, arquetipos de
especie sirven tan attractors que grupo y clump las estrategias de una población
alrededor de valores concretos. La selección natural deviene la “gravedad ” que
individual de causas para formar distinto clumps en espacio de estrategia. La
presencia y las propiedades de arquetipos de especies están ilustradas en el
ejemplo siguiente.
r = 0.25, Km = 100
σα2 = 4, σk2 = 20, β = 2
Empezamos con y permiso justo una estrategia. Darwinian Resultados de
dinámica en un mínimo estable convergente localizado en u = 6.065 (en una
densidad de población de x ∗ = 39.864) cuando ilustrado en Figura 8.1. Mientras
esta solución no es un ESS, la estrategia correspondiente representa un
arquetipo de especie porque es un conver-gent punto estable en el adaptive
paisaje. El clumping de las estrategias a raíz de este arquetipo está ilustrada en
Figuras 8.2 y 8.3 dónde la densidad de población es plotted vs. estrategia. Estas
figuras estuvieron obtenidas por integrar la dinámica de población para un
tiempo abarca de 5000 unidades con 41 estrategias uniformemente distribuidas
sobre un intervalo. Las estrategias no son dejadas para evolucionar y una
densidad de población de 5 está asignado como una condición inicial para cada
estrategia.
238 Especiación y extinción
3
10 x 10
4
v
(
G *)
−2
14
12
10
Populationdensity
0
5.5 5.6 5.7 5.8 5.9 6 6.1 6.2 6.3 6.4 6.5
Estrategia
Figura 8.2 Utilizando una distribución estrecha de estrategias sobre los
resultados de arquetipo en el clumping de estrategias en los fines de la
distribución.
8.2 especie de Estrategia concepto 239
30
25
20
Populationdensity
15
10
−5
4.5 5 5.5 6 6.5 7
Estrategia
Figura 8.3 Una distribución más ancha de resultados de estrategias en un
clumping en la proximidad del arquetipo así como en el fin izquierdo de la
distribución.
3
8 x 10
2
G *v)(
−2
−4
−6
−8
−2 −1 0 1 2 3 4 5 6
v
Figura 8.4 La dos especie es en evolutionarily los máximos estables pero ellos
no componen un ESS.
8
Populationdensity
−20 1 2 3 4 5 6
Estrategia
Figura 8.5 En este caso las estrategias clump sobre un dos arquetipo de especie
denotado por los diamantes.
3
1 x 10
−1
−2
G * (v)
−3
−4
−5
−6
−4 −3 −2 −1 0 1 2 3 4 5
v
Figura 8.6 El tres-especies ESS.
242 Especiación y extinción
12
10
8
Populationdensity
0
−4 −3 −2 −1 0 1 2 3 4 5
Estrategia
Figura 8.7 Por escoger un intervalo apropiado para la distribución de estrategias,
clump-ing está obtenido alrededor de un tres arquetipo de especie que forma junta un
ESS.
Marco 1 Marco 2
1 1
Frecuen
Tiempo
Frecuencia
cia
=0 Tiempo = 100
Malo = 0.3 Malo = 0.420 65
Std = 0.070 707 Std = 0.057 252
0.5 0.5
1 1
nci
ue
ec
Fr
Tiempo = 200 Tiempo = 400
a
Malo = 0.475 74 Malo = 0.526 69
Std = 0.049 477 Std = 0.040 332
0.5 0.5
1 1
nci
ue
ec
Fr
Marco 1 Marco 2
Tiempo Tiempo =
0.2 = 0 0.2 100
)v
G(v )
0.1 0.1
(G
0 0
−0.1 −0.1
−0.2 0 0.2 0.4 0.6 0.8 1 −0.20 0.2 0.4 0.6 0.8 1
Marco 3 v v Marco 4
Tiempo = Tiempo =
0.2 200
)v (G
0.2 400
G(v )
0.1 0.1
0 0
−0.1 −0.1
−0.20 0.2 0.4 0.6 0.8 1 −0.20 0.2 0.4 0.6 0.8 1
Marco 5 v v Marco 6
Tiempo = Tiempo =
0.2 1000 0.2 8000
)v
(G
G(v )
0.1 0.1
0 0
−0.1 −0.1
−0.2 0 0.2 0.4 0.6 0.8 1 −0.20 0.2 0.4 0.6 0.8 1
v v
Figura 8.9 Poco después de los inicios de simulacro, sólo aquellas estrategias en
el neigh-borhood del ESS tiene una forma física positiva.
0.7
0.65
0.6
0.55
Meanstrategy
0.5
0.45
0.4
0.35
Marco 1 Marco 2
1 1
Tiempo Tiempo = 200
Frecuencia
=0 Malo = 0.493 93
Malo = 0.3 Std = 0.040 254
Std = 0.049 993 0.5
0.5
de la
1 Tiempo = 1000
Frecuenci
Tiempo = 500 Malo = 0.747 68
Malo = 0.688 21 Std = 0.044 543
a
Std = 0.033 083 0.5
0.5
0
0 0 0.2 0.4 0.6 0.8 1
0 0.2 0.4 0.6 0.8 1 Estrategia Marco 6
Marco 5 Estrategia 1
Frecuencia
frecuencia
1 Tiempo = 8000
Frecuenci
Marco 1 Marco 2
Tiempo Tiempo =
0.2 = 0 0.2 200
(G)v
G(v )
0.1 0.1
0 0
−0.1 −0.1
−0.20 0.2 0.4 0.6 0.8 1 −0.20 0.2 0.4 0.6 0.8 1
Marco 3 v v Marco 4
Tiempo = Tiempo =
0.2 500
(G)v
0.2 1000
G(v )
0.1 0.1
0 0
−0.1 −0.1
−0.20 0.2 0.4 0.6 0.8 1 −0.20 0.2 0.4 0.6 0.8 1
Marco 5 v v Marco 6
Tiempo = Tiempo =
0.2 2000
(G)v
0.2 8000
0.1
( v)
0.1
G
0 0
−0.1 −0.1
−0.20 0.2 0.4 0.6 0.8 1 −0.20 0.2 0.4 0.6 0.8 1
v v
u
e
n
a
c
c
r
i
1
Tiempo = 0 Tiempo = 200
Malo = 2 Malo = 2.323 6
Std = 0.049 939 0.5 Std = 0.049 862
0.5
0−1
0 0 1 2 3 4 5
−1 0 1 2 3 4 5
Marco 3 Estrategia 1 Estrategia Marco 4
de Frecuencia
u
e
n
a
c
c
r
i
1 Tiempo = 500 Tiempo = 1000
Malo = 3.341 Malo = 3.846 9
Std = 0.107 48 0.5 Std = 0.125 36
0.5
0−1
0 0 1 2 3 4 5
−1 0 1 2 3 4 5
1
Frecuencia
u
e
n
a
c
c
r
i
1
Tiempo = 2000 Tiempo = 8000
Malo = 3.732 2 Malo = 3.605 2
Std = 0.235 47 0.5 Std = 0.398 92
0.5
0−1
0
0 1 2 3 4 5
−1 0 1 2 3 4 5 Estrategia
Estrategia
Figura 8.13 después de lograr el arquetipo de especie, el clump de las
estrategias deviene un bimodal distribución.
Marco 1 Marco 2
1.5 1.5
1 1
0.5
G(v )
0.5
)v
(G
0.5
G(v )
0.5
Tiempo =
0 500
0 tiempo =
−0.5 1000
−1 −0.5
−1 0 1 2 3 4 5 −1
Marco 5 v −1 0 1 2 3 4 5
1.5 v Marco 6
1 1.5
)v (G
0.5 1
)
0.5
0 tiempo =
0 tiempo = 8000
G(v
2000
−0.5
−0.5 −1
−1 −1 0 1 2 3 4 5v
−1 0 1 2 3
4 5
v
Figura 8.14 Cómo el clump de las estrategias se acerca el arquetipo de especie.
8.4 Mecanismos de especiación 251
2
La especiación simpátrica en la literatura es a menudo adscrito a cualquier acontecimiento de
especiación que ocurre dentro de una población en la ausencia de barreras geográficas o
barreras físicas a la población que mezcla e interbreeding. Bajo especiación competitiva,
Rosenzweig (1978) era explícito considerando qué flexibilidad en el adaptive el paisaje
combinado con la selección natural podría producir especiación simpátrica. Rosenzweig Notó
que un valle entre dos especie de hija puede no de hecho existir hasta la especie original ha de
hecho speciated.
8.4 Mecanismos de especiación 253
n
x˙i 1 = r x
K1 (ui ) − x j1 −m x i1 + m x i2
K 1 (ui ) j =1
x˙i 2 = r nx
K2 (ui ) − x j2 −m x i 2 + m x i 1.
K 2 (ui ) j =1
K j (v) B j exp γj −v 2
.
= 2
2σk
Bajo esta relación funcional entre llevar capacidad y estrategia, habi-tats varía
en la calidad que depende de el valor de B j . Si las estrategias que maximize
K En los dos hábitats varían, γ1 =γ2, entonces la estrategia de un individual
representa un comercio-fuera entre forma física en hábitat 1 y forma física
en hábitat 2. Suponiendo que
254 Especiación y extinción
G (v, u, x)
r
K1 (v)
n
= x
= K1 (v) − x j1 −m
j =1
r
m
K2 (v)
m
K2 (v) nx .
−
x
j2 −
m
j =1
Aquí la forma física de una individual focal aparece directamente influido por su
estrategia propia, las densidades de población de cada especie, y la distribución
de la población de cada especie entre los dos hábitats. Mientras las estrategias
de otros no directamente forma física de influencia, dependencia de frecuencia
introduce el modelo vía el efecto de la estrategia de cada especie encima
medidas de población y distribuciones (ve Heino et al. (1998), para una
discusión de este tipo de frecuencia-dependiente se-lection). El valor crítico de
este G-matricial proporciona un G sencillo-función. Utilizamos Darwinian
dinámica para obtener puntos estables convergentes y entonces inspeccionar el
adaptive paisaje para revelar si o no conforman al ESS max-imum principio.
Considerar los parámetros siguientes: r = 0.2, B1 = 100, B2 = 75, m = 0.1, γ1 =
0, γ2 = 1, σk2 = 4. Utilizando una estrategia sola con una inicial
Valor de u(0) = 2, con condiciones iniciales para las dos etapas x (0) =
10 20
2
= 0.5, obtenemos la solución de equilibrio u ∗ = Y
Y plazo de
velocidad σ 0.4629
x∗ = 90.6401 78.1339 . Figura 8.15 ilustra que este valor de equilibrio
En este modelo, m es un parámetro de bifurcación
disuade-
Para u∗ es de hecho un ESS.
−0.01
−0.02
crit[ G( ,vu,x*)]
−0.03
−0.04
−0.05
−0.06
−0.07
−1 −0.5 0 0.5 1 1.5 2
v
Figura 8.15 Con m = 0.1 el ESS es una coalición de una estrategia.
0.005
−0.005
crit[ G( ,vu,x*)]
−0.01
−0.015
−0.02
−0.025
−0.03
−1 −0.5 0 0.5 1 1.5 2
v
Figura 8.16 Con m = 0.005 una estrategia sola evoluciona a un mínimo local
en el adaptive paisaje.
256 Especiación y extinción
0.005
−0.005
crit[ G( ,v u,x*)]
−0.01
−0.015
−0.02
−0.025
−0.03
−1 −0.5 0 0.5 1 1.5 2
v
Figura 8.17 Con m = 0.005 el ESS es una coalición de dos estrategias.
x∗2 = 11.3302 55.9345 está obtenido. Vemos de Figura 8.17 que el ESS es
una coalición de dos estrategias.
0.1
0.05
0
crit[ G( ,v u,x*)]
−0.05
−0.1
−0.15
−0.2
0.06 0.06
0.05 0.05
0.04 0.04
0.03 0.03
v
v
(
G *)
G *)
0.02 0.02
0.01 0.01
0 0
−0.01 −0.01
−10 −5 v 0 5 −5 0 5 10
v
Figura 8.19 Las cuatro especies que resultan de las dos condiciones medioambientales
(E1 a la izquierda y E 2 a la derecha). Cada figura muestra el dos co-existiendo
especie aquello ha evolucionado a evolutionarily máximos estables.
(v + E )2
K (v) Km exp
= !− 2σk2 "
Dónde E representa el estado del entorno dentro de cada de las gamas de
especie. Dejado E0 = 0, E1 = −3.5, E2 = 3.5 ser las condiciones
medioambientales de la gama original, y las dos gamas nuevas, respectivamente.
Figura 8.19 espectáculos que, a partir, las estrategias originales evolucionan a
valores nuevos y distintos que refleja las condiciones de prevalecer en las gamas
nuevas. Cada gama tiene dos especies que ocupan evolutionarily máximos
estables. En tampoco la gama es estas estrategias ESSs y el sistema total ahora
tiene cuatro especies. Cada cual de la especie original ha speciated
allopatrically a un par de especie de hija. Ahora, dejado la barrera geográfica
desaparece y dejar el regreso de gama de la comunidad a su configuración
original de E0. Las cuatro especies vienen juntas, compite, y evolucionar. El
resultado de fin es un comunitario compuesto de un ESS coalición de tres cuando
mostrado en Figura 8.6. Las dos especies de E 1 evoluciona para ocupar las
primeras dos cumbres (en el izquierdos). Las dos especies de E 2 experimenta
evolución convergente hacia la tercera cumbre. Las dos especies evolucionan
arriba de la misma pendiente del adaptive paisaje.
260 Especiación y extinción
v
(
G)
0.04 0.5
*G v)(
*
0.02 0
−0.5
0
−1
−1.5
−0.0228 29 30 31 32 33 13 14 15 16 17 18
Marco 3 v v
3 3 Marco 4
1 x 10 2 x 10
0.5 1
*
0
0
*G v)(
G (v)
−0.5
−1
−1
−1.5 −2
−2 −3
4 6 8 10 12 14 −5 0 5 10 15
v v
Figura 8.20 Un adaptive radiación hacia un cinco-especies ESS. Simpátrico
specia-tion lleva el sistema de una especie sola hasta cuatro especie que
converge encima no-ESS evolutionarily máximos estables.
Hacia las tres especies del ESS requiere especiación alopátrica. Por ex-
panding el breadth del eje de nicho de este modelo el adaptive la radiación
puede continuar.
x 103
1
−1
−2
−3
*G v)(
−4
−5
−6
−7
−8
−15 −10 −5 0 5 10 15
v
Figura 8.21 Un ESS coalición de cinco estrategias para el Lotka–Volterra
modelo de competición.
Marco 1 Marco 2
0.05 0.1
0
Presa 0.05 Presa
−0.05
G *( )v
(v)*
G
0
−0.1
−0.05
−0.15 Predator
−0.2 −0.1
−2 −1 0 1 2 −0.5 0 0.5
v v
Marco 3 Marco 4
0.08 0.01 Pres
0.06 a
0
G *(v)
0.04 Predator
−0.01
G* ()v
0.02
0 −0.02
Predator
−0.02 −0.03
Presa
−0.04
−0.04
−0.06
−2 −1 0 1 2 −0.05−1
v −0.5 0 0.5 1
v
Diferencia: = ¯ (9.3)
N (t + 1) = N 1 + H
˙ ¯
Diferencial: N NH
Dónde
ns
¯ =
H pi Hi (u, p,N )
j =1
9.1.2 Estrategias
Cuándo una solución al bi-el juego matricial lineal está buscado en plazos de
estrategias mixtas, son probabilidades asoció con un individual escogiendo una
fila de una matriz M. El bi-el juego matricial lineal es un symmetric juego
matricial (ve Inciso 3.1.2) de modo que sólo uno matricial está necesitado para
definir payoffs. Por ejemplo, si M tiene dos filas y dos columnas y si jugador
uno tiene la estrategia
u1 = 0.25 0.75 entonces, encima muchos concursos, este jugador está escogiendo
fila un 25% del tiempo y fila dos 75% del tiempo. Por otro lado, jugador dos con
Uc = {ui ∈ R nu
| 0 ≤ ui j ≤ 1 ∀ j = 1, . . . , nu y u i j = 1}. j =1
Nota que Uc incluye estrategias puras (probabilidades 0 y 1) como elección
de estrategia mixta posible.
Cuándo una solución al bi-el juego matricial lineal está buscado en estrategias
puras únicas, están escogidos de un subconjunto de U c donde los componentes del
vector de estrategia sólo puede tener los valores 0 y 1. El espacio de estrategia
discreto para la estrategia pura
9.1 Un principio máximo para el juego matricial 279
j =1
E ui , u j = ui MuTj (9.4)
Y M es un nu × nu payoff matriz
M
m
. .
m
. .
11 ··· 1nu
.. . .
=mnu 1
. .
mnu nu
···
El payoff la función es bi-lineal en las estrategias cuándo los elementos de M
es
Constantes, desde E ui , u j es lineal en los componentes de los vectores de
estrategia ui y u j .
La forma física de un individual jugando estrategia ui es el esperado
payoff en un concurso aleatorio donde p j es la frecuencia de los jugadores
que utilizan estrategia u j . Así por definición
ns
Hi [u, p] = E ui , u j p j . (9.5)
j =1
1) +
1j = pE(u)pT
Diferencial: p˙i = pi j
n
s 1 E ui , u j p j − pE (u) pT .
(9.6)
En una moda similar a qué hemos hecho antes de que utilizamos las
definiciones siguientes para llegar en un matriciales-ESS principio máximo.
p∗ 0 Para i ns ∗ 1, , ns .
i = = + ···
Supone que, para cada vector de estrategia u ∈ U, una solución de equilibrio
ecológica matricial p∗ existe. Para este punto de equilibrio para ser estable,
requerimos que cada trajectory cuál empieza en la frecuencia espacial cercano el
punto de equilibrio queda en espacio de frecuencia para todo t , y converger al
punto de equilibrio como t → ∞.
Definición 9.1.2 (matricial-ESE) Dado un vector de estrategia u ∈ U, un
matricial eco-punto de equilibrio lógico p∗ ∈ ns está dicho para ser un
matricial ecológicamente sta-ble equilibrio (matricial-ESE) si allí existe una
pelota B centró en p ∗ tal aquello para cualquier p(0) ∈ ns ∩ B la solución
generada por (9.6) satisface p(t ) ∈ ns para todo > t 0 y asymptotically
aproximaciones p∗ tan t → ∞. Si el ra-dius de la pelota puede ser hecha
arbitrariamente grande, el punto de equilibrio ecológico está dicho para ser un
global matricial-ESE, otherwise está dicho para ser un lugareño
Matricial-ESE.
9.1 Un principio máximo para el juego matricial 281
j =1 j= = ···
n
Par
∗ ∗T
E uk , u j p∗j ≤ p E (u) p a k = ns∗ + 1, · · · , ns .
j =1
Prueba. La primera condición sigue de la definición de un matricial ecologi-
n
s
cal Equilibrio. Supone aquello E uk , u j p∗j > p∗E (u) p∗T para algún k ∈
j =1
{ns∗ + 1, · · · , ns }. Por continuidad, sabemos que allí existe una pelota de no-cero
ns
9.1.5 Matricial-ESS
Nuestra definición de un matricial-ESS es similar a Definición 6.2.4 sólo es
ahora declarado en plazos de estrategias de vector, frecuencia p ∈ ns , y el
matricial-ESE definición.
j =1
En plazos del G -funcionar la dinámica de frecuencia deviene
1+ G(v,u,p)|v=ui
Diferencia: pi (t + 1) = pi 1+pT E(u)p
T
Diferencial: p˙i = pi G(v, u, p)|v=ui − p E (u) p (9.8)
Utilizando el por encima de definiciones, obtenemos el principio máximo
siguiente.
Teorema 9.1.2 (matricial-ESS principio máximo) G Dejado(v, u, p) ser la
acceso-ness generando función para un comunitario definido por (9.8). Para un
dado u suponer
282 juegos Matriciales
Para i = 1, . . . , ns∗ .
Prueba. Dejado ns∗ ≤ ns , sigue del matricial-ESE teorema que para cualquier
i = 1, . . . , ns∗ y para cualquier k = ns∗ + 1, . . . , ns tenemos
ns ns
Una estrategia que satisface Maynard la definición original del herrero puede
no neces-sarily satisfacer la definición de un matricial-ESS dado encima. Cuando
definido en este libro, el ESS tiene que ser resistente a invasión por cualquier
número de simultáneo, estrategias alternativas raras y tiene que ser establo
convergente. Una estrategia que satisface el solo-mutante-ESS la definición
necesita no ser resistente a invasión por mutantes múltiples, y no pueda satisfacer
el matricial-ESS principio máximo (los ejemplos serán dados abajo). Aun así,
Maynard Smith original ESS definición fol-lows de, y es un caso especial de, el
matricial-ESS la definición cuándo aplicada a un monomorphic población (cada
jugador está utilizando la misma estrategia) que invasiones de experiencias de
únicos una estrategia mutante sola. Por esta razón referimos a esta definición
original como el solo-mutante-ESS.
En contraste, la Definición más general 9.1.2 deja para una distribución de
frecuencias de estrategia (la población puede ser cualquier monomorphic o
polymor-phic) y es establo contra invasión simultánea por pequeño
subpopulations con cualquier distribución de allowable estrategias mutantes. Un
matricial-ESS es establo para la dinámica de población concreta debajo
consideración, los cuales pueden incluir no-juegos matriciales lineales así como
el tradicionales bi-juego lineal. Por esta razón,
284 juegos Matriciales
G (v, u, p) = E v, uj pj
j =1
E (v, ui ) = vMuiT
u
= v1−v M
1 − ui
= m11ui v + m12 (1 − ui ) v + m21ui (1 − v) + m22 (1 − ui ) (1 − v) .i
La aproximación básica para solucionar cualquier problema de estabilidad
evolutivo que utiliza el matricial-ESS el principio máximo es a primero examinar
si allí existe un coali-
∗
Y G v, u, p = E (v, u1) (9.10)
ther u1 = 0 =⇒ u1 = 0 1 o u 1 = 1 =⇒ u1 = 1 0 . Examinaremos
286 juegos Matriciales
G v, u, p∗ = vm11 + (1 − v) m21.
hay sólo dos puntos para comprobar. Claramente, cuándo v = u1 = 0, G (v,
u, p∗) =
m 11, y, cuándo v = u1 = 1, G (v, u, p∗) = m21. Así, u1 satisface el matricial-
ESS principio máximo si y sólo si
m 11 ≥ m21.
Además por Corolario 9.1.1, si la condición m11 > m21 está satisfecho,
entonces
u1 = 1 0 es, de hecho, un matricial-ESS. El caso de igualdad requiere más allá
2
E u1, uj pj − pTE (u) p
j =1
m
G v, u, p∗ = v 1 − vm21 p 1∗ +
−v 22 p2∗.v1
∗ ∗T ∗ ∗
De los requisitos de equilibrio que G (v, u, p ) = p Mp en v = u1 y
v = u2,
m11 p1∗ + m12 p2∗ = p∗Mp∗T
Y
Solucionando estas ecuaciones para p1∗ y p 2∗ (utilizando el hecho que p1∗ + p2∗
= 1) cosechas
m m
p∗ 22 − 12 Un
m m m m Un +
1 = 11 + 22 − 12 − 21 = b
m m
p∗ 11 − 21 b
m m m m Un +
2 = 11 + 22 − 12 − 21 = b
Dónde
a = m22 − m12
b = m11 − m21.
Por ello un equilibrio ecológico existirá si y sólo si un y b es ambos positivo o
ambos negativo (i.e., si y sólo si ab > 0). Estos requisitos también garantizan que
el matriciales-ESS el principio máximo es satisfecho trivially desde entonces, en
este caso,
288 juegos Matriciales
Y desde m22 > m12 una coalición de uno matricial-ESS la solución existe,
dado por
u1 = 0 1 . Esta solución es para desertar con cuatro años en prisión. Qué una
solución que requiere tema de cooperación a engañar. Figura 9.1 ilustra que la
solución a (9.8) resultados en una frecuencia de equilibrio de p ∗ = 1 0 cuando
E (u2, u1).
0.9
0.8
0.7
0.6 p
Frecuencia
p12
0.5
0.4
0.3
0.2
0.1
0
1 0 2 3 4 5 6 7 Tiempo
−4
)v,u,p*
(G
−4.5
−5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
v
Figura 9.2 El adaptive el paisaje es lineal para el bi-juego lineal.
290 juegos Matriciales
Con tiempo. Si uno quiere tener una medida de población estable, el juego
matricial puede ser embedded a un G -funcionar aquello tiene un plazo
adicional que describe densidad-crecimiento de población dependiente que
es independiente de estrategias y frecuencias de población. Para el caso que
utiliza
ns
G(v, u, p, N ) = 100/N + E v, u j p j
j =1
Y tampoco m11 ≥ m21 ni m22 ≥ m12 está satisfecho, tan no hay ninguna
coalición de uno solución de estrategia pura para este juego. Aun así, una
coalición de dos solución existe desde entonces
a = m22 − m12 = −5
b = m11 − m21 = −5
Cosechas
1
p1
p
0.9 2
0.8
0.7
0.6
Frecuencia
0.5
0.4
0.3
0.2
0.1
0
0 0. 5 1 1.5 2 2.5 3
Tiempo
Figura 9.3 Una coalición de dos estrategias puras existe para el juego de pollo.
R S P
R 0 1 −1 .
S −1 0 1
P 1 −1 0
Evidentemente un ESS con una coalición de uno la estrategia pura no puede
existir. El corre-sponding la estrategia ganadora siempre podría invadir. De
modo parecido, cualquier coalición de dos estrategias puras no pueden ser ESS,
cuando una estrategia conduciría el otro a extinc-tion. La solución de candidato
única para un ESS tiene una coalición de tres puro strate-gies donde cada cual
ocurre en una frecuencia de un tercio. Aun así, esta solución no satisface las
condiciones para un bi-equilibrio ecológico lineal. La estrategia dy-
1 1 1
namics No cobertura en las frecuencias de equilibrio de p∗ =
3 3 3 .
R S P
R ε 1 −1 .
S −1 ε 1
P 1 −1 ε
' (
Uc = ui = ui 1 − ui ∈ R2 | 0 ≤ u i ≤ 1 .
−
= v [(Un + b)u1 − un] + (m21 − m22) u1 + m22
Dónde
a m m
= 22 − 12 .
b = m11 − m21
Desde el gradiente está dado por
∗
∂G(v, u, p )
= (Un + b) u1 − un
∂ vv=u1
9.2 El 2 × 2 bi-juego lineal 293
u1 = 1 Un
0
Si b > 0
Si Un > 0 .
(9.12)
Si ab > 0
+ ba
Mientras las condiciones necesarias del matriciales-ESS el principio máximo está
para este caso. De hecho, ha sido mostrado (Brown y Vincent, 1987c) aquello no
sólo es allí ningún matricial-ESS coalición de uno cuando
Un = b = −5
Tenemos la solución
u 1 = 0.5.
Aun así, debido a que G(v, u, p∗) no apechuga con un máximo apropiado, esta
solución no es un matricial-ESS, pero es un solo-mutante-ESS. Si jugamos u1
contra cualquier número de estrategias menos de u1 (o más grandes que u1),
aparece para tener el ESS propiedades. Aun así, si u 1 está jugado contra
estrategias que es ambos más pequeño y más grande que u 1 entonces más de una
estrategia convivirá junto con u1. Esto claramente demuestra que u1 no es un
matricial-ESS.
Ejemplo 9.2.5 (kin selección) utilizamos un caso especial del dilema del
prisionero a modelo la evolución de cooperación. Dejado b > c > 0. Un
cooperator incurre un coste −c de bestowing un beneficio b en el otro
jugador. Un defector incurre ningún coste y bestows ningún beneficio. Con
estas suposiciones la matriz para el dilema del prisionero deviene
C D
C b−c −c
D b 0
Cuándo los elementos de la matriz satisfacen m22 > m12, la estrategia pura
D es un matricial-ESS. Nosotros modelo kin selección por relajar la
suposición de interacciones aleatorias. Dejado r ser la probabilidad de
gusta interaccionar con gustar, y dejado (1 − r ) representa las interacciones
aleatorias restantes. El payoff la matriz deviene
C D
C b−c r (b − c) + (1 − r )(−c)
D (1 − r )b 0
La cooperación es ahora una matriz de estrategia pura-ESS cuándo m11 >
m21 =⇒ r > c/b (la regla de Hamilton (Hamilton, 1963)) y D es una matriz
de estrategia pura-ESS cuándo m22 > m12 =⇒ r < c/b.
Ejemplo 9.2.6 (altruismo recíproco) podemos modelo altruismo recíproco
en una moda similar por modificar la estrategia C para incluir una versión
iterada del dilema del prisionero. El juego iterado está jugado muchas veces
con la suposición que un individual sabe la identidad de estrategia de su
adversario con probabilidad, un, cualquiera a través de experiencia previa o
de mirar otros juegos del juego. La cooperación está modificada a una
forma de teta-para-tat (TFT) estrategia, donde TFT juegos C con
desconocidos, juega C con jugadores sabidos de utilizar TFT y juega D con
sabido defectors. Esto modificó el dilema del prisionero iterado produce el
siguiente payoff matriz
TFT D
TFT b−c (1 − un)(−c)
D (1 − un)b 0
Cuándo familiaridad, cuando determinado por un, es alto bastante, TFT puede
ser un ESS. En este juego, TFT es una matriz de estrategia pura-ESS cuándo
m11 > m21 =⇒ un > c /b (nota la semejanza a la regla de Hamilton). Aun así, a
toda costa del valor de un (0 ≤ un ≤ 1) sigue que m22 > m12 de modo que la
estrategia pura de D es siempre
9.3 No-juegos matriciales lineales 295
' (
U = ui ∈ R2 | 0 ≤ ui j ≤ 1 ∀ j = 1, 2 y ui21 + ui 2 = 1 .
Tenemos de (9.10)
G v, u, p∗ = E (v, u1)
u211 + u12 = 1
Los componentes de las estrategias de vector pueden ser escritos en plazos
del scalars v = v1 y u1 = u11
v = v 1 − v2
u1 = u1 1 − u21
296 Juegos matriciales
De modo
que
G (v, u, p∗) = vm11u1 − vm12u12 + vm12 − m21u1v2 + m21u1 (9.13)
+ m22v u1 − m22v − m22u12 + m22.
2 2 2
Así
∂G (v, u, p∗) 2 2
= m11u1 − m12u + m12 − 2m21u11v + 2m22vu − 2m22v
∂ v111
Y reemplazando v con u1 cosechas
∂ G (v, u,
p∗) = m11u1 − m12u12 + m12 − 2m21u12 + 2m22u13 − 2m22u1.
∂v v u1
=
=−
Por Componente
u 0.2612. ello u Con s
u11 = 0. 5469, u12 = 0.7009
Es la matriz de candidato única-ESS coalición de uno en el interior de U .
Podemos comprobar para ver si esta solución representa un máximo
apropiado para G (v, u, p∗) por
Sustituyendo u1 = 0. 5469 a (9.13) para
obtener
G v, u, p∗u1 =0.5469 = −8.2035v2 + 8.9735v + 8.2035.
Cuando mostrado en Figura 9.4, una parcela de esta función cuadrática cede un
apropiado maxi-mamá en v = 0.5469 con el valor máximo igual a la forma
física mediana
E (u1, u1) = u1MuT1 = 10.657.
0 · · · 0 T es un establo convergente
∗
En el encima ejemplo, p = 1 equilib-
rium Para todas estrategias mutantes posibles y Es un matricial-ESS.
por ello u1∗ Compara
Este resultado con el mismo bi-el juego matricial lineal jugado en el conjunto
de estrategia U c . En aquel caso, obtenemos el solos-mutantes-ESS u11 =
0.5, u12 = 0.5 cuál no es un punto máximo apropiado de G (v, u, p∗) y no un
matricial-ESS con respetar a todas estrategias mutantes posibles.
1
Esto está hecho para evitar raíces complejas. El bi-el juego lineal definido con esta M matriz
es equivalente al juego de pollo y tiene la misma solución.
9.3 No-juegos matriciales lineales 297
11
10.5
10
(Gv,u,p* )
9.5
8.5
8
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
v
u
¯
0j j1 j2 .
El encima suposición para r ¯sexo y k nos dejo para poner este juego a un
formato de juego matricial. Mientras estas suposiciones no son válidas
cuándo hay muchos tipos diferentes en la población fuera de condiciones de
equilibrio, serán válidos cuándo examinando las condiciones para un
matriciales-ESS coalición de uno equilibrio cercano. Desde el matricial-ESS
el principio máximo está aplicado en equilibrio y desde el ESS del interés
resultará para ser una coalición de uno, continuaremos nuestro análisis que
utiliza este esperado payoff matriz. Tenga que ser notado que, si este
problema está formulado sin el por encima de suposiciones, todavía pueda
ser solucionado utilizando el ESS principio máximo, albeit como juego
continuo más que un no-juego matricial lineal.
u u
E (ui , u j ) = k ui 2 + j 1 i 1 .
Suponiendo un ESS coalición de uno tenemos de (9.10)
G v, u, p∗ = E (v, u1)
u12
G v, u, p∗ = k[v2 + v1].
u
11
Utilizando los constreñimientos para eliminar v2 y u 12 tenemos
k − u11
G v, u, p∗ = k[k − v1 + v1].
u
11
9.3 No-juegos matriciales lineales 299
Una condición necesaria para G (v, u, p∗) para apechugar con un máximo
con respetar a v 1 en el interior de U está dado por
∂ G (v, u, p∗) k − u11 0
u = − 1 + u =
∂ v1 v1 11 11
=
' (
U = ui ∈ R2 | 0 ≤ ui 1 ≤ k y u i 2 = f (ui 1)
Dónde el número total de niños produjo está dado por
ki = ui 1 + ui 2 = ui 1 + f (ui 1) .
Claramente f (ui 1) tiene que satisfacer el requisito que f (k) = 0. Nota que
regresamos a la estrategia políticamente correcta puesta si tomamos f (ui 1)
= k − ui 1.
Para simular una curva convexa, utilizaremos un arc de un círculo
= 11
Aquello tiene la
solución
√ k
u11 = 22 .
Esto es también el valor para u11 cuál produce el número máximo de niños. Para
ver si esto es un máximo apropiado nosotros G de parcela∗ como función de v 1.
Escogiendo k = 10 obtenemos los resultados mostrados en Figura 9.5. Así, por
Corolario 9.1.1, u11 = 7.071 corresponde a un matricial-ESS coalición de uno.
Además, el simulacro puede soler demostrar que esta solución es de hecho un
equilibrio estable globalmente convergente y tan es el único matricial-ESS.
Sigue de (9.15) que u12 = u11. Así, en este caso, la solución es otra vez la
solución políticamente correcta de producir los mismos números de machos
y mujeres. Aun así, este resultado difiere del caso anterior en aquella esta
solución es ahora un matricial-ESS. Conseguimos el mismo resultado a
causa de la simetría en el comercio-fuera curva entre machos y mujeres.
Buscando un matricial-ESS con un no-symmetric comercio-fuera puede
ceder otras soluciones.
Figura 9.5 también nos recuerdo que desatendiendo dinámica de
población total cuando dado por (9.3) no es siempre una idea buena. Haga la
organización de Crecimiento de Población de Cero muy infeliz. Una forma
física mala de 200 es claramente preocupante (un resultado de escoger k =
10).
9.3 No-juegos matriciales lineales 301
220
200
180
(G )v,u,p*
160
140
120
100
0 1 2 3 4 5 6 7 8 9 10
v
Figura 9.5 El matricial-ESS la solución produce el número máximo de niños.
− + − − − ≥
Sigue que (9.17) puede ser reescrito cuando
De hecho, esta última desigualdad tiene que ser estricta o más hay un
continuum de equi-librium puntos a través de u 1 en la “dirección” v cuál
contradice el hecho que u1 es un ESS. Esto muestra que u1 es un solo-
mutante-ESS para el ajustado payoff matriz M + r MT.
9.3 No-juegos matriciales lineales 303
El primer y tercer ESSs tiene todo de los individual que ocupan justo un
hábitat solo. Forma física en el llenado, hábitat de calidad alta es todavía más
alto que forma física en el vacío, hábitat de calidad baja. Hábitat 1, entonces, es
de calidad más alta que hábitat 2 si, cuándo ambos hábitats son vacíos, ofrece
forma física potencial más alta: F1(x1)|x1 =0 > F2(x2)|x2 =0 ; y viceversa cuándo
hábitat 2 es de calidad más alta. Cuando ilustrado en Figura 10.1, los segundos
resultados de situación cuándo, por ejemplo, hábitat 1 es de calidad más alta en
densidades de población muy bajas, pero disminuciones en
ˆ
Calidad con un aumento en población hasta una medida de población crítica N en qué
2.0
Fitnessinhabitat1o2
(Un)
1.5
1.0
0.5
0.0
0 10 20 30 40 50
2.0
(b)
Fitnessinhabitat1o2
1.5
1.0
0.5
0.0
0 10 20 30 40 50 Densidad
en hábitat 1 o 2
Figura 10.1 La línea sólida representa la forma física en hábitat 1 y el torcido
dashed tachar la forma física en hábitat 2. Cuándo la densidad logra un nivel tal
que el dos fitnesses es igual (designado por el cuadrado), cualquier aumento más
lejano en densidad está dividido entre los dos hábitats.
La distribución libre ideal puede ser vista por considerar modelos concretos y
su asociados isodars.
Ejemplo 10.1.1 (el recurso que empareja) El concepto del recurso que
empareja proviene la idea que dos hábitats pueden ofrecer entradas
diferentes de recursos. Si los individual en un hábitat dividen igualmente la
entrada de recurso del hábitat, entonces el ESS distribución del individual
entre hábitats pueden emparejar aquellas entradas de recurso. Dejado
R1 R2
G(v, u, N ) = v + (1 − v)
x1 x2
Dónde R1 y R2 es las entradas de recurso a hábitats 1 y 2, respectivamente.
En este caso la condición F1(x1)|x1 =0 > F2(x2)|x2 =0 no puede ser satisfecho
y de ahí habrá poblaciones en ambos hábitats para todos los valores de N .
El isodar está encontrado por poner
R R
1= 2 .
x1 x2
308 ecología Evolutiva
(1 − e−un 1
x
1 (1 − e−un 2
x
2
G(v, u, x ) vR ) (1 v) R ).
1 2
= x1 + − x2
Aumentando el número del individual dentro de un hábitat tiene dos efectos.
El primero es para aumentar la fracción de recursos cosechó, el numerador
del encima ecuación. El segundo es para reducir el índice de cosecha por
cada individual, los denominadores de la ecuación. Porque el modelo
supone que cada individual dentro de las participaciones de hábitat
igualmente en la cosecha, la adición de otros aumentos individuales un poco
la cosecha colectiva, a expensas de cada en-dividual cosecha. En muy
grande y población muy pequeña medidas el modelo tiene las propiedades
siguientes: cuando x i → ∞, Fi → Ri /x i , y tan x i → 0, Fi → uni Ri . En
números bajos de foragers, el índice de cosecha del individual está limitado
por su capacidad de encontrar la piscina de recurso disponible o corriente.
En números altos de foragers, esencialmente todos de los recursos están
cosechados y divididos entre el foragers (mismos como el recurso que
empareja modelo (Parker, 1978; Morris, 1994)). Figura 10.1 estuvo
dibujado basado en este modelo. Caso un corresponde a un 1 = un2 y R1 = 2
R2 y caso b corresponde a un1 = 2un2 y R1 = R2. Vemos que, en ambos
casos, hay una medida de población crítica que tiene que ser obtenido antes
de ambos hábitats están ocupados. Caso b tiene la propiedad que cuando N
consigue grande, x1 = x2. El isodar para esta situación no puede ser
solucionada analíticamente para x2 desde entonces es de la forma
e−Un 2
x
2
x2 R (1 − )
2
x = R (1 e
Un1 x1
) .
1 1 − −
10.2 Consumidor-juegos de recurso 309
px Min k
+ y1
ns ns
y˙ = Un Y − y −px −
1 1 1 i i r y (1 u )
2 − i −R
i =1 i =1 y k
2 + y2
Y2
y2 = ns
1 +αx i (1 − ui )
i =1
10.2 Consumidor-juegos de recurso 311
Dónde
Y1 = tierra total nutriente
Un = índice de mineralización
p = Concentración de nutriente de
tejido de planta Y2 = constante solar
α = Índice de decadencia ligera por biomasa de hoja de la
unidad.
Las variables únicas en el min la función es u i , y1 y y 2 de modo que para
dado valora de y 1 y y 2 los aumentos de plazo superiores linearly de − R con un
aumento en u i y las disminuciones de plazo más bajas linearly a − R con un
aumento en u i . Así allí existe un crossover valor de u i obtenido por poner los
dos plazos en el min la función igual a cada cual otro y solucionando para ui
aquello es entonces labeled
y y k
2 1 + y1
2y y y k yk
um = 1 2+ 1 y2 + 2 y1 .
En otras palabras, para
0 ≤ ui ≤ um
El min la función escogerá el “nutriente curva de crecimiento limitativo” y
para
um ≤ ui ≤ 1
El min la función escogerá la “curva de crecimiento limitativa ligera.” Nota
que la estrategia um maximizes el índice de crecimiento de la planta para
cualquier valor dado de y 1 y y 2.
El G -la función para este sistema está dada por
ry v
1 −R
y +k −
1 y1
G (v, u, x, y) = min
r y (1 v)
2 − − d (10.3)
Ry 2+
k
y2
+
1∗ky2
2 1 1
+ +
Ejemplo 10.2.1 (raíz–proporción de brote de ESS principio Podemo
máximo) s
Encontrar la raíz–asignación de brote para un ESS coalición de uno por
poner
u1 = v
312 ecología Evolutiva
y1∗+ky1 −R
0 (10.5)
y2∗+ky2 −R
Y
y2∗= 1
2
(10.6)
αx ∗ (1 u )
+ 1 − 1
Mi r y1∗u1
)
n 1 = d.
r y2∗ (1−u
(10.7)
y1∗+ky1 −R
−R y2∗+ky2
Ecuación (10.5) es la solución de equilibrio para el nutriente, ecuación
(10.6) es el algebraico (siempre en equilibrio) ecuación para sol, y ecuación
(10.7) es el ESS requisito de principio máximo que G(v, u, x∗, y∗)|v=u1 = 0.
Sustituyendo (10.7) a (10.5) y utilizando el hecho que los plazos superiores y
más bajos en el min la función es igual en el ESS nos dejo con el siguiente
cuatro ecuaciones para solucionar para el cuatro unknowns u 1, x1∗, y1∗, y
y2 ∗
y2∗ y1∗ + ky1
u1 = 2y1∗ y2∗ y1∗ky2 y2 k y1
∗
+ +
0 = Un
Y1 y1∗ px1∗ px1∗d
y2∗ = −
Y2 − −
1 + αx ∗ (1 − u )
1 1
d=
r y1∗u1
y1∗+ ky1 − R.
Como ejemplo concreto, utilizando los mismos parámetros tan en Vincent y
Vincent (1996)
Valores de parámetro utilizaron en cálculos
r=5 Un = 0.3
R = 0.5 p = 0.1
d = 0.5 α = 0.001 (10.8)
k Y
y1 =1 1 =5
k
y2 =1 Y2 = 2
∂ G (v, u, x, y)
=
n n r y 1 ui
s s R
y1 +ky1 −
= Un Y1 −
y˙1 y1 2
Y
− pxi − pxi Min r y2 (1−ui )
+ −
R (10.9)
k
i =1 i =1 y2 y2
y2 = ns
1 +αx i (1 − ui )
i =1
Dónde G (v, u, x, y) está dado por (10.3) y los parámetros de planta están
dados por (10.8). Nosotros primero control para un ESS coalición de uno. Si
obtenemos la misma solución cuando en el ejemplo anterior, hemos
demostrado la estabilidad convergente y nosotros necesitan mira no más
lejano desde entonces por definición tal solución tiene que ser un ESS.
Utilizando las condiciones iniciales siguientes
20
15
10
0 5 10 15
Recursos
3
Nutriente
1 Sol
2
0
0 5 10 15
0.8
ategi
Estr
0.7
0.6
0.5
0.4
0 5 10 15
Tiempo
−0.1
−0.2
−0.3
−0.4
)v,u,x*
−0.5
(G
−0.6
−0.7
−0.8
−0.9
−1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
v
Figura 10.3 La solución obtuvo satisface el ESS principio máximo.
10.2 Consumidor-juegos de recurso 315
Tenga que ser notado que cualquier intento de reproducir las figuras en el
ejemplo anterior requerirán algunos atención especial (cuándo utilizando el
min función). Porque el G -la función no tiene pendiente continua, un paso
variable inte-grator tendrá dificultades en el barrio de la discontinuidad, y la
integración retrasa considerablemente. Una manera para evitar esta dificultad
(cuando estuvo hecho aquí) es a sencillamente reducir el máximo allowable
medida de paso.
Tenga que ser claro del por encima de ejemplos que bajo el piecewise G
lineal-funcionar dado por (10.3) sin constreñimientos más lejanos en u,
nunca habrá un ESS la coalición más grande que uno. Para coexistencia para
ocurrir entre dos o más especie, el G -la función tiene que apechugar con un
máximo en dos o más estrategias. Una manera para obtener esto con un G
lineal-la función es para él para ser independiente de v (en cero pendiente).
En este caso, cualquier número de estrategias puede convivir porque
cualquier estrategia particular puede ser invadida, pero no desplazado, por
otro (Vincent et al., 1993). El G -la función para este modelo puede
apechugar con una pendiente de cero sólo para condiciones poco realistas
donde r, y1, o y 2 = 0 y la condición trivial donde único dos estrategias, toda
raíz y todo brote, existe. Así, en orden para el ESS para tener el co-existencia
de dos o más especie de planta, una dependencia no lineal del G -función en
v tiene que ser introducido (Vincent y Vincent, 1996). Utilizamos el mismo
G-funcionar tan dado en aquella referencia
Min. = de r y1 (v−v2 )+0.2
G − d. (10.10)
y k
−R
ry 2 2
( 1 v+ (1−v ) +0.5)
1 + y1
− +
y k
2 + y2 −R
La forma de este G-la función es similar a (10.3) en el concepto exceptúa ahora
el nutriente “superior el plazo limitativo” es una parábola con un máximo
positivo en v = 0.5 y el plazo limitativo ligero “más bajo” es una parábola con
un mínimo negativo en v = 0.5. El plazo superior implica que, si no encender
limitado, el índice de crecimiento es más grande en una asignación intermedia a
raíces mientras el plazo más bajo implica que, si no el nutriente limitó, el índice
de crecimiento es más grande en cualquier un bajo o una asignación alta a raíces.
Relaciones no lineales entre asignación de biomasa y crecimiento, cuando dado
por las funciones superiores y más bajas, podría ocurrir tampoco si la eficacia en
convertir o capturando unos cambios de recurso con asignación de biomasa o si
índices de pérdida (p. ej. respiración, alboroto, herbivory, etc.) cambio con
asignación de biomasa.
Ejemplo 10.2.3 (coalición de dos) Con un G-funcionar que ahora tiene dos
max-ima, sospechamos un ESS coalición de dos estrategias. Probamos esta
hipótesis por integrar el Darwinian dinámica del ejemplo anterior, (10.9),
con el G-funcionar dado por (10.10) con todos los parámetros igual tan en
aquel ejemplo. Para condiciones iniciales escogemos
15 x
1
Biomas
10 x2
a
0
0 5 10 15
Recursos
3
Nutriente
1 Sol
2
0
0 5 10 15
1
Estrateg
u1
u2
ia
0.5
0
0 5 10 15
Tiempo
Figura 10.4 dinámica de Estrategia resultados en un ESS coalición de dos estrategias.
0.2
0.1
0
(G ,vu,x*)
−0.1
−0.2
−0.3
−0.4
−0.5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
v
Figura 10.5 La solución obtuvo satisface el ESS principio máximo.
10.2.2 Carcinogenesis
El cáncer aparece para ser un juego evolutivo que representa muchos de los
temas de este libro en microcosm. Implica macroevolution (la creación de G
nuevo-funciones), microevolution (dinámica de estrategia dentro G-
funciones), specia-tion, y coevolution. El cáncer es un juego potencialmente
fatal de recurso compet-ition, adaptive radiación, y destrucción de hábitat.
Carcinogenesis Implica transiciones de tejido normal a premalignant le-
sions a invasive cáncer. Estas transiciones han sido modeled como una
evolución-ary juego por Gatenby y Vincent (2003b) y utilizaremos una
versión simplificada de este modelo aquí (Gatenby y Vincent, 2003un).
Empezamos por modificar el mechanistic normal–modelo de célula mutante
de Gatenby (1991). Este modelo incluye la dinámica de glucosa uptake. La
presencia de glucosa como resultados de recurso en un consumidor-tipo de
recurso de modelo para elG -función. De ahí, dinámicas de población toman
la forma de
Un j (v, u) x
G (v, u, x,y) r 1 m j(10.11)
= +
Dónde ns es el número de tipos de célula (normales y tumor), r es un índice
de crecimiento intrínseco común, K (v) es la capacidad de llevar, un j (v, u)
es el plazo de competición, y el último plazo representa un Michaelis–
Menten uptake con un índice de consumo fijo m, y constante de saturación
media yh . El recurso y es la cantidad de glu-cose disponible. El adaptive el
parámetro en este modelo es el número de glucosa transporters en la
superficie de célula
y˙ = R − i =1 y02 + y2 xi (10.12)
Dónde R es índice de entrega de la glucosa.
Suponiendo que un, K , y E es normalmente distribuyó funciones de v
con la otra constante de parámetros, utilizamos
2
2σun
2
= −
v−uj
Un j (v,
u) exp
(v − u K )2
K (v) Km exp
= − 2σK2
E (v) Em exp (v − u E )2 ,
= − 2σE2
Dónde
K m = El tejido máximo que lleva capacidad
(v, u, v,y)
=
∗ ∗ −
Por otro lado, si el tercer plazo en (10.11) es cero, y∗ está obtenido de esta
expresión y x ∗ está obtenido de (10.11) y (10.15), cediendo las condiciones
de equilibrio (equilibrio C)
y∗ = 0 E (u )
∗
0
m , x∗ = m. (10.18)
Mi2 R
−
3 3
4 x 10 4 x 10
2 2
0 0
−2 −2
v
v
(
G)
G)
−4 −4
−6 −6
−8 −8
−10 −10
0.5 1 1.5 0.5 1 1.5
v v
Figura 10.6 Cuándo R < m Km equilibrio C es evolutionarily establo (tablero
izquierdo).
Cuándo R > m Km equilibrio B es evolutionarily inestable (tablero correcto).
10.2 Consumidor-juegos de recurso 321
R = 0.05
K m = 1000, σK = 1, u K = 1
Em = 14.668, σE = 1, u E = 1 m
= 2.544
y0 = 3330
σUn = 0.5
Si las células normales podrían evolucionar, llegarían en equilibrio B o C
de-pendiente en el valor utilizado para r . Por ejemplo, escogiendo R = 0.9m
Nsignifica obtenemos equilibrio C con
x ∗ = 900, u∗ = 1, N ∗ = 1525
Y utilizando r = 1.2m Nsignifica obtenemos equilibrio B con
x ∗ = 1000, u∗ = 1, N ∗ = 1707.
Estos son los dos casos ilustró en Figura 10.6. Tan anteriormente notado, el
evolutionarily equilibrio inestable B es evidentemente el caso de célula normal.
Tales unos presentes de equilibrio oportunidades para especiación para tener
lugar (Cohen et al., 1999) (o invasión por fenotipos mutantes) y puede ser
mantenido sólo a través de los “esfuerzos” cooperativos del oncogene y tumor
suppressor genes.
Los cambios de situación un poco cuándo las células mutantes raras son
capaces a estab-lish ellos, pero el oncogene y tumor suppressor los genes no
han sido suficientemente averió que las células mutantes pueden evolucionar.
Con n s = 2, utilizamos las condiciones iniciales
3
4 x 10
Cáncer normal
0
−2
−4
)v (G
−6
−8
−10
−12
−14
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
v
Figura 10.7 Después de que dos años las células de cáncer han evolucionado a
un máximo en el adaptive paisaje.
Las condiciones finales obtuvieron del 10-el año corrido con σ 12 = 0, σ22 =
0.1, y conjunto
1000
Normal
500 Cáncer
0
0 100 200 300 400 500 600 700 800
Recursos
2400
2200
2000
1800
1600
0 100 200 300 400 500 600 700 800
2
Normal
Est
egi
rat
Cáncer
1.5
0.5
0 100 200 300 400 500 600 700 800
Tiempo
Figura 10.8 Después de los constreñimientos evolutivos han sido sacados, el
cáncer desarrolla rápidamente en el primer año.
x l = Masa de hoja
xs = Masa reproductiva (semillas)
x˙l = R L x l [1 − z] (10.19)
10.3 ecología de Planta 325
Dónde
1
u=T− RL . (10.21)
En otras palabras,, la solución es estrépito -estrépito con la planta que
cambia de crecer único vegetatively hasta tiempo u y entonces gastando el
resto de la estación de crecer que produce semillas únicas. En vez de
teniendo que programar un tiempo-estrategia dependiente, las necesidades de
planta para saber sólo la longitud de la estación de crecer así como el dos
otros parámetros en el modelo.
El estrépito-naturaleza de estrépito de la solución y el resultado dado por
(10.21) es también fácilmente obtuvo utilizar métodos de optimal teoría de
control (ve ejercicios 8–10 en Vincent y Grantham, 1997). Aun así, una manera
más fácil de obtener (10.21) es para suponer el optimal la solución es estrépito -
estrépito, conjunto z = 0 en (10.19) e integrar a
t = u Para obtener la cantidad de biomasa de hoja en el tiempo de cambio
x l (u) = x l (0) exp ( R L u) .
Sustituyendo este resultado a (10.20), poniendo z = 1, e integrando de t = u
hasta el tiempo final T da el número de semillas en el tiempo final
x s (T ) = (T − u) R x l (0) exp ( R L u) .
El principio
Ejemplo 10.3.1 (floreciendo tiempo, N = 1) El máximo requiere
Aquello
∂G ∂v v u1 = − f (v) + (T − v) ∂v v u1 =0
(v, u,1,1) = ∂ f (v) =
O, alternativamente
∂ f (v) f (u1)
.
∂v v u
=
1 =T −
u
1 (10.27)
Estas cosechas de resultado (10.21) cuándo f (v) está dado por (10.23). Aun
así, este max-imizing la condición expresa un resultado bien sabido
importante de economía: produciendo más de un producto (RHS) reduce el
coste mediano de producción, pero el coste insignificante de producción
(LHS) remonta. El coste está minimizado por producir en un punto donde el
coste insignificante equals el coste mediano. Para plantas, producción de
semilla es maximized cuándo el índice insignificante de aumento en
producción de semillas equals el índice mediano de producción de semillas
tomada con respetar para cronometrar quedando en la estación de crecer.
(1 W) f (T v) ∂ f (T v) f ∂W
∂v v u1 = (1 W)
= + v ∂v v u1
=
=0
Evaluando (y poniendo los argumentos atrás en) cosechas
∂v 1
v u = (1 W (u 1, u1,1 ,N )) ∂v v u1
Desde entonces G
u1,u1,1, N > 0 sigue de (10.25) que
∂ v v u1 < (T u1) . (10.28)
∂ f (v) = f (u1) −
328 ecología Evolutiva
∂v = (1 + W )2 =0
Evaluando (y poniendo los argumentos atrás en)
cosechas
G u1,u1,1, N ∂v .
Desde entonces G u1,u1,1, N > 0 sigue de (10.26) que
∂ f (u1) f (u1)
> . (10.29)
∂ u1 (T − u1)
Otra vez, para f (v) de la forma dada por (10.23) el tiempo de floración será
más temprano que para el caso de planta solo. Aun así, la solución para u 1
obtenido de (10.29) maximize G (u1, u1,1,N ) de modo que esta solución
cederá más semillas que el ESS solución. Mientras deseable en agricultura,
un cultivar planta que tuvo esta propiedad tendría que ser artificialmente
mantenida, cuando esta solución cooperativa no es evolutionarily estable.
Pueda ser invadido por plantas con un tiempo de floración más tardío. Estas
ayudas para explicar por qué algunos cultivar cultivos de grano agrícola
son competitivamente inferiores a formas salvajes.
10.3 ecología de Planta 329
1 ∂y N−1 y . (10.32)
= N ∂ R v=u1 + N R v=u1
Por ello un ESS candidato u1, para plantas individuales, tiene la propiedad que
conjuntos su coste insignificante para raíces de apoyo y encima-la tierra separa
igual a un weighted suma del valor mediano de nutriente uptake, y/ R, y el valor
insignificante, ∂ y/∂ R, de nutriente uptake. La ponderación utilizada por la
planta depende de el
10.3 ecología de Planta 331
% v, u, 1, N
y [ R (v, u, p,N )] ND y R N
D
&
N
T
N D
∂ y [ R (v, u, p,N )] = y R%
D N
N D&
T
v,u,1,
∂R = ND ∂R &
y [ R (v, u, p,N )] y R
%
ND ND
N
T
v,u,1,
R = ND R .
Determinamos el ESS producción de raíz por individual para cualquier
subdivisión por sustituir los plazos apropiados a ecuación (10.32)
∂ v v=u1 = NT ∂ R v=u1 + NT R v=u1
∂C N
D ∂y NT − ND y .
= =
subdivided
Y cuándo NT 10 y N D 10 (10 individual en 10 Espacios)
∂ v v u1 = ∂ Rv u1 .
∂C = ∂y =
Israel (Abramsky et al., 1990; Ziv et al., 1993; Ben-Natan et al., 2004), y
está adaptado de et al Marrón. (2001).
Hay alguna semejanza en este juego al modelo de tiempo de la floración en
aquella la estrategia depende de tiempo. Recuerda que esta complicación estuvo
evitada en el flujo-ering modelo de tiempo por utilizar el hecho que un optimal
estrategia para florecer el tiempo es estrépito -estrépito. Esto nos dejé para
utilizar cambiando tiempo como la estrategia más que buscar una solución de
tiempo continua para la fracción de crecimiento de planta total destinó a
reproducción. Desafortunadamente esta simplificación no puede soler formular
este foraging juego. En el contexto de teoría de juego, un modelo de ecuación
diferencial con tiempo-las estrategias dependientes es un juego diferencial
(Issacs, 1965; Vincent y Grantham, 1997) requiriendo un método diferente para
solución. No hemos presentado cualesquier herramientas para solucionar juegos
evolutivos con tiempo-dependiente strate-gies. Una aproximación de juego
diferencial requiere laboriosa, ordenador-intensivo sim-ulations o análisis
numéricos. McNamara Et al. (2001) proporciona ejemplos para encontrar un
ESS para algunos sistemas con tiempo-estrategias dependientes. Hasta ahora allí
no existe una teoría formal para definir, hallazgo, o verificando el ESS para
juegos diferenciales evolutivos. Afortunadamente nuestro foraging modelos de
juego son tal que es todavía posible de formular el problema en plazos de G-
funciones y entonces utilizar un coste–característica de beneficio para obtener
una solución que tiene las características de un ESS.
Las dunas de arena son pulsed con semillas nuevas cada 24 horas. Este pulso
re-abundancia de semilla de los conjuntos, y, a algunos valor inicial y0. Sobre el
curso de una noche (T < 24 horas), un gerbil puede gastar su tiempo tampoco
foraging o descansando dentro de su madriguera. Un gerbil estrategia, u1(t ),
especifica la probabilidad de ser activo en cualquier tiempo por la noche. De ahí:
0 ≤ u1(t ) ≤ 1. Dejado x1 ser la medida de población de gerbils. Mientras
foraging, un dado gerbil recursos de cosechas en proporción a su abundancia (un
tipo yo respuesta funcional). Si estrategia u1(t ) es la estrategia común entre el
gerbils que disminuciones de disponibilidad de la semilla según
y˙ = −Un1 x1u1(t )y
y(t ) = y0e−un 1
xu
1 1
(t )dt
.
Supone que el gerbil expends energía en índice c1 mientras foraging y en
índice k1 < c1 mientras descansando (foraging es más costoso que
descansando – ambos cuesta es en unidades de semillas). El beneficio de
semilla neto a un dado gerbil por la noche es
E1 = un1y(t )u1(t )dt − c1 u1(t )dt − k1 [1 − u1(t )] dt
10.4 Foraging juegos 335
p1 = e−un 2
x
2
u (t )u (t )dt
1 2
E1 (v1) = un1 y(t )v1(t )dt − c1 v1(t )dt − k1 (1 − v1(t ))dt (10.33)
*
p1 (v1) = e−un 2
x
2
v (t )u (t )dt
1 2 .
E2 (u2) = un2 x1 u2(t )u2(t )dt − c2 u2(t )dt − k2 (1 − u2(t ))dt (10.34)
p2 (v2) = e−γ u 2
(t )dt
mr (x1 + χ ) k
w∗ . (10.37)
∗
µ¯ = p 0 k + bw pr (t ) dt
Dónde p es la probabilidad que un predator es de hecho en el remiendo de la
presa, y el riesgo está integrado de 0 a u 2 (el dando-arriba tiempo del
predator).
El forager nivel mediano de vigilance con el tiempo está dado por
u2
w¯ = (1 − p)wab∗ + p w∗pr (t )dt .
0
Estos valores malos para predation riesgo, µ,¯ y vigilance, w,¯ puede ser
sustituido
10.4 Foraging juegos 341
El ESS satisface
µ(u2) = H (u2)
343
344 Gestor evolucionando sistemas
El predator (p. ej., humanos) haciendo el cosechando está supuesto para ser
externo al sistema, de modo que la estrategia de cosechar del predator no es
influido por la presa. El G -funcionar en este caso está obtenido por
sencillamente añadiendo el plazo de cosechar
G (v, u, x) = K (v) K (v) − Un v, u j x j − h (v)
r ns
j =1
∂v
v=u j = 0
Y ∂v 1
1∗ v u1 = K (u1)
− x1∗
∂v ∂v 1 v u1
∂ Un (v,
∂ G v, u ,x r ∂ K (v) u )
= =
= = =
G v, u, x∗v=u1 =0
G v, u, x∗ v u2 0
= =
∂ G (v, u, x ∗)
=0
∂v v =
u1
∂ G (v, u, x ∗)
=0
∂v v =
u2
Para solucionar para x1∗, x2∗, u∗1, y u ∗2. Siguiendo el mismo procedimiento
para la coalición de uno, utilizando (11.1) obtenemos
h
x1∗ + x2∗un (u1, u2) = K (u1) 1− r1
(u )
h
x1∗un (u2, u1) + x2∗= K (u2) 1 − r2
(u )
K (u1) ∂v v u1 = ∂v v u1 + K (u1) 2 ∂v v u1
∂ Un (v,
r − h (u1) ∂ K (v) =
∂ h (v) =
r x ∗ u2) =
∂ Un (v,
r − h (u2) ∂ K (v) ∂ h (v) r ∗ u1)
x .
K (u2) ∂v v =
u2 = ∂v v =
u2 + K (u2) 1 ∂v v =
u2
11.1 respuesta Evolutiva a cosechar 347
r = 0.25
K (v) 100 exp (v − 1)2
= − 2
Un v, u j = 1 − 16 v−uj
2 .
h (v) = 0.
Las condiciones necesarias para una coalición de una reduce a
x1∗ = K (u1)
∂ K (v)
=0
∂ vv=u1
Lucrativo
u1 = 1
x1∗ = 100.
Plotting G v, u1, x1∗ vs. v demuestra que el ESS el principio máximo está
satisfecho. El simulacro demuestra que esta solución es establo convergente
, de modo que esta solución es, de hecho, un ESS coalición de uno.
Ejemplo 11.1.2 (un ESS bajo lineal cosechando) Bajo lineal cosechando
utilizamos
h (v) = 0.1v.
Si v es medida de cuerpo, entonces una cosecha lineal corresponde a una
situación donde una prima está pagada para un coger de medida de cuerpo
más grande o donde las redes o las trampas seleccionan linearly para
medida de cuerpo más grande. En este caso las condiciones necesarias para
una coalición de una reduce a
r
∗
K (u1) K (u1) − x1 = 0.1u1
r − h (u1) ∂ K (v)
= 0.1
K (u ) ∂v
1 v=u1
348 Gestor evolucionando sistemas
u 1 = 0.5
x1∗ = 70.6
Y
u1 = 3
x1∗ = −2.7.
Claramente la segunda solución no es válida. Plotting G v, u1, x1∗ vs. v
demonstr-ates que el ESS el principio máximo está satisfecho con la primera
solución. Simula-tion Demuestra que esta solución es establo convergente ,
de modo que es, de hecho, un ESS coalición de uno. Por ello el efecto de
una cosecha lineal es para causar la especie para evolucionar a una medida
de cuerpo de medio su que cosecha no ESS. Ahora podemos calcular el
firmes-cosecha estatal antes de que y después de que la evolución tiene
lugar. Antes de que evolución (u1 = 1) tenemos
r
K (1) − x ∗ = 0.1
1
K (1)
∗
Resultando en x1 = 60 con un firme-cosecha
estatal de cosecha =
x1∗ h (u1) = 6.
Después de que la evolución ha tenido lugar (u 1 = 0.5) tenemos
r
K (0.5) − x1∗ = 0.05
K (0.5)
h (u1) = 3.53.
Tenemos el interesantes antes-y-después de efecto evolutivo que la cosecha
disminución mientras los aumentos de población del equilibrio con
individual en uno-medio la medida de cuerpo de su original ESS.
Ejemplo 11.1.3 (un ESS debajo montículo-shaped cosechando) Bajo un
montículo-shaped cosecha utilizamos
(v − 1)2
h(v) = 0.15 exp − .
x1∗ = 41.67
11.1 respuesta Evolutiva a cosechar 349
u1 = 0.396
x1 ∗ =
41.67.
Aun así, una parcela de G v, u1,x1∗ vs. v demuestra que tampoco la solución
satisface el ESS principio máximo. Utilizando las condiciones necesarias
para un ESS coalición de dos, obtenemos sólo uno ESS candidato
.275 1.725
x∗ = 22.16 22.16 .
∗
Una parcela de G (v, u, x ) vs. v espectáculos que esta solución satisface el
ESS max-imum el principio y el simulacro demuestra que la solución es
establo convergente . El efecto de cosechar en este caso es para producir el
coevolution de dos fenotipos. El efecto encima la cosecha es similar al
ejemplo anterior. Antes de la población evoluciona, la población de
equilibrio debajo cosechando es x1∗ = 40 con un correspondiente
−
P (v) = e G (11.4)
Dónde (v − z)/g da la cantidad de cronometrar que un juvenil está expuesto a
cosechar y
0 ≤ P ≤ 1 para v ≥ z
P = 1 para v < z.
Sigue que cuando P = 1 entonces v = z. La probabilidad de superviviente a
disminuciones de edad adulta con cosecha creciente, aumentando medida en
madurez, y un umbral de cosecha del decrecimiento.
Para formular un G -función, introducimos densidad-efectos dependientes por
tan-suming que competición para alimentario entre los adultos reduce neonate
producción bajo su nivel máximo. Blythe Y Stokes utilizar un Ricker
reclutamiento accionario re-lationship por dejar real neonate escala de
producción como negativo exponencial
352 Gestor evolucionando sistemas
De biomasa de
adulto
= vx
−
Real neonate producción sve R
Dónde x es medida de población del adulto, y R balanza la intensidad de
competición alimentaria. La forma física que genera la función para la especie
cosechada está escrita cuando
G(v, u, x) sv P (v)e− ns H. (11.5)
i =R
u x
1 i i
= −
El primer plazo del G -la función da el índice esperado de reclutamiento de
adulto de la producción de neonates por un adulto. Es el producto del índice
máximo de neonate producción por medida de adulto de la unidad, medida de
padre, probabilidad de superviviente el periodo juvenil de crecimiento, y la
densidad-efecto dependiente de otro pez de adulto. El segundo plazo es
sencillamente el índice de mortalidad de adulto debido a cosechar. En esta
formulación, la estrategia del individual, v, influye su índice de fecundidad
máximo e influye su probabilidad de superviviente a edad adulta, P (v).
Un candidato ESS la solución está obtenida por utilizar el ESS principio
máximo. Buscamos una coalición de un ESS para medida de adulto. Porque no
hemos impuesto cualesquier constreñimientos en u1, las condiciones necesarias
para un ESS está dado por
∂vv=u1
Encuadre ns = 1 sigue de (11.5) y (11.6) que
R su1 P (u1)
x1∗ = u1 ln H .
Evaluando el derivado parcial de (11.5)
cosechas
,x )
∂ v1 1 = se− R u1 ∂ v + P (v) .
∂ G(v, u u x
1 1 ∂P
∗
u1 x
=
(11.7)
(11.8)
(11.9)
(11.10)
11.2 administración de Recurso y conservación 353
G
Así de (11.10) hemos u1 = . Así H
G G
u1 = H Si H ≥ z
G
u1 = z Si H < z.
Las dos condiciones necesarias resultado de la discontinuidad de P en u = z.
Cuándo índices de cosecha son suficientemente severos el pez evoluciona hasta
pero no allende la medida de cosecha del umbral, u1 = z. Aumentos de medida
del adulto con el índice de crecimiento de juveniles y disminuciones con el índice
de cosecha. Pescando medida de disminuciones en madurez.
11.2.1.1 Cosecha
La función de cosecha tiene dos componentes. El primero representa el índice de
cosecha de juveniles entre medidas z y u 1 weighted por su medida, y el segundo
representa la cosecha de adultos weighted por su medida u1. El primer
componente requiere integrar cosecha a través del periodo de tiempo durante qué
juveniles está expuesto a cosechar weighted por su medida y medida-medidas de
población concreta ( hay sucesivamente menos juveniles como aumentos de
medida juvenil). La suma de estas dos componentes da el índice en qué biomasa
está cosechado
u
Hx∗
1
u
G 1 z
= G P (u1)
−( − )
+
, x ∗) H u1 x ∗
1
Y (H, z, u1 H G e G G qdq
1 z 1
∂Y
∂H
H = HECOL
' 1 z HECOL + gu1 − z 2 HECO L( ! ln
= u 1 HECOL −1 " = 0.
su P (u1, HECOL)
Pero pueda ser solucionado numéricamente. Y las consecuencias del pez que
evoluciona puede ser considerado por
Sus tituyendo u1= a la condición necesaria. Con estas s ustituciones,
sg P (u1, HEVOL)
ln 1
2
×! (HEVOL) − "
2
−gz P (u1, HEVOL) HEVOL − g [1 − P (u1, HEVOL)]
= 0.
Esta condición necesaria tiene denomina similar a aquellos para el
ecológicamente enlight-ened director con dos plazos adicionales , negativos.
Sustituyendo (11.11) a esta condición necesaria muestra que con el índice de
cosecha utilizado por el ecologi-cally enlightened director, HECOL, el
evolutionarily enlightened director
11.2 administración de Recurso y conservación 355
j =1
Dado un entorno fijo (fuente alimentaria, temperatura, etc.), supone que
hay una longitud, β, en qué K es maximized. El pez más largo o más corto
que β no conseguirá el máximo unexploited densidad de población Km . El
parámetro σk determina por cuánta la población disminución cuándo el
individual varían de β , cuando dados por
i = m − σk
2
K (u ) K exp ui − β .
j =1
Con
= m − σK
v − βK
2
K (v) K exp
Y
j = m − σUn
v−uj
2
U v, u U exp .
n n
11.2 administración de Recurso y conservación 357
Km = 3000 Un m = 1
βK = 10 σUn = 4 (11.12)
σK = 2 r = 0.39
0 0 0
E = 100 βq = 10 (11.14)
qm = 0.00045 σq = 0.25
Aquí el catchability qm está obtenido de Hilborn y Mangel (1997). Utilizando
estos parámetros con una especie sola, Darwinian la dinámica produce los
resultados mostrados en el segundo tablero de Figura 11.1. Las condiciones
iniciales utilizaron para obtener este resultado era la estrategia de pez y medida
de población del pez que corresponde al no-ejemplo de cosecha. La medida-
función de cosecha restringida es más intensa en v = 10, resultando en un
cambio en el paisaje tal que la especie es ahora localizada en un evolutionarily
inestable, pero mínimo local estable convergente en el adaptive paisaje. En este
caso condiciones de equilibrio están dadas por u 1 = 10, y x1∗ = 2654, dando un
firmes-cosecha estatal de
q (u1) E x1∗ = qm E x1∗.
El resultante adaptive el paisaje sugiere que medida-restringió cosechar
resultará en especiación simpátrica. Buscando un ESS coalición de dos,
nosotros ob-
través del simulacro puede ser mostrado para ser el establo convergente y
nosotros concluyen es un ESS. Con esta política de cosecha (u 1 = 10)
Y α.
v2
K (v) k exp
= m − 2σk2
α(v, u j ) v−uj +β 2 β2
1 exp exp
= + − 2σα2 − − 2σα2
Dónde el σk2 y σ α2 variables son varianzas en las funciones de distribución. Por
variable el parámetro medioambiental σk2 asociado con el llevando capac-ity de
un tipo de célula dado, el sistema dinámico puede tener soluciones de equilibrio
360 Gestor evolucionando sistemas
0.005
Cáncer
0
−0.005
Normal
−0.01
−0.015
(G)v
−0.02
−0.025
−0.03
−0.035
−0.04
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
v
Figura 11.2 Antes de que tratamiento, las células de cáncer son en un máximo
local en el adaptive paisaje.
Valores para invadir. Las células normales tienen una forma física negativa
leve y con cronometra completamente morirían fuera.
Nosotros modelo el tratamiento de una población de cáncer, al llegar a
este punto en tiempo, por utilizar célula-fármacos concretos para eliminar el
cáncer por añadir un apropiado “cosechando” plazo de modo que el G -la
función deviene
= − σ
k(u) j 1 j j − h − h
G(v, u, x)R R n α(v, u )x k exp 0.5 v−u 2
Evolución de cáncer
100
Densida
80
60 Normal
d
40 Cáncer
20
0
0 500 1000 1500
4
Estrateg
3.5
3
ia
2.5
Normal
2 Cáncer
1.5
1
0 500 1000 1500
Tiempo
Figura 11.3 Durante tratamiento las células de cáncer evolucionan a un nuevos,
estrategia más mortífera.
0.04
0.03
0.02
0.01
G(v)
0 Cáncer
−0.01 Normal
−0.02
−0.03
−0.04−5
−4 −3 −2 −1 0 1 2 3 4 5
v
Figura 11.4 Después de que tratamiento, las células de cáncer son otra vez en
un máximo local en el adaptive paisaje.
11.3 Quimioterapia-evolución conducida 363
Ilustrado en el segundo tablero de Figura 11.3. Más que curar el cáncer, la célula-
el fármaco concreto causa el cáncer para evolucionar a una forma nueva que es
ahora altamente resistente al actual y cualquier procedimiento terapéutico similar.
Esto está ilustrado en Figura 11.4 por el hecho que las células de cáncer otra vez
están sentando en un máximo local. Nota que las células normales son en una
forma física menos de cero resultando en una disminución rápida a una población
de equilibrio del cero. Estos resultados son esencialmente idénticos a evolución
de multi-resistencia de fármaco observada en tumores humanos tratados
(Matsumoto et al., 1997; Ichihashi y Kitajima, 2001).
Células de cáncer, con su capacidad de evolucionar, adapta a
quimioterapia y un resis-tant la población fácilmente emerge. Finalmente, el
cáncer regrows como la población resistente prolifera, rendering la terapia
ineficaz. En otras palabras,, cualquier terapia que confía sólo encima tumor
cytotoxic los efectos serán curative sólo si es suficientemente eficaz de matar
todas las células de cáncer en un periodo de tiempo suficientemente corto de
impedir evolución de resistencia. Así, mientras una estrategia terapéutica que
confía sólo encima matando células de cáncer pueden ser eficaces en reducir
el número de células de cáncer, este modelo sugiere que el cáncer
inevitablemente rebotará a no ser que todas tales células dentro de la
población están eliminadas.
Referencias
377
378 Índice
ámbito de atracción, 52,
163 dominante
eigenvalue, 108
Valor crítico, 108, 185
Gradiente de, 144
Del G -matricial, 222
De H , 109
Paisaje Nash
adaptive, 113 Equilibrio, 18
Forma física, 113 Solución, 70
Rígido, 266 Selección natural, 5
Lemas La densidad dependiente, 7
Ecológicamente ciclo estable, 190 Fisher teorema fundamental, 13
ESC, 190 frecuencia dependiente, 7
ESE, 163 Nicho, 260
ESE – Frecuencia, 181 Construcción, 30
ESE – Múltiple, 175 No-estrategia de remordimiento, 70
ESE – multistage, 185 Condición operativa nominal,
ESE Para el recurso bauplan, 171 50 no-dinámica de equilibrio,
multistage eigenvalues, 184 58 no-negativo orthant, 161
Vida ejemplo de notación
Diversidad, 1 Matriz de forma física, 48
Procesión, 1 Especie, estrategias, y recursos, 30
Ejemplo de ciclo de la vida, 223 transpose, 48
Vida-etapas de historia, 106
Ciclo de límite Problema de optimización, 64
Estable, 60 Organismo
linearization, 52 Distribución y abundancia, 2
logistic Ecuación, 35 juego exterior, 17, 75
Continuo, 38
Discreto, 35 pangenesis, 4, 85
Discreto exponencial, 36 Lotka– Pareto-optimal
Volterra predator–modelo de presa, Conjunto, 154
51 Solución, 15
Lyapunov primer método, 52
Índice 381
Concepto de especie biológica, 121, 234
payoff
bi-Lineal, 279
Esperado, 69
Órbitas periódicas, 59
Perturbación
Ecuaciones, 147
Soluciones, 52
Fenotipo, 121
pleiotropy, 86
Población polimórfica, 276
Dinámica de población, 93, 112
Función de proyección de la
población, 40
Matriz de proyección de la población,
106
Positivamente conjunto invariable, 52
predator–Presa coevolution, 102, 142
El dilema del prisionero,
66 pristine entorno, 344
procesión de vida, 273
punctuated equilibria, 274
estrategia pura, 69
quasi-Órbita periódica, 60
Escalar, 28
Schaeffer Modelo, 355
Estabilidad de sector, 162
Selección
Densidad-dependiente,
116 sistemas sociales
despotic, 73
eusocial, 73
Especiación,
128
adaptive, 210
adaptive Radiación, 260
Alopátrico, 251
Competitivo, 159, 252
Simpátrico, 251, 252
Especie, 1, 27, 121, 242
Arquetipo, 237
Ecológicamente keystone, 264
evolutionarily keystone, 264
especie morfológica concepto,
121, 235 especie filogenética
concepto, 235 especie de
estrategia concepto, 121
estrategia-definición de especies,
28
Arquetipo de especie, 237
Velocidad, 126
Punto de equilibrio estable, 50
Estabilidad, 50
Convergente, 148, 152
Ecológico, 49, 152
Evolutivo, 49
Global, 53
Sistemas lineales, 56
Local, 53
Lotka–Volterra predator–
Ejemplo de presa, 51
Órbitas periódicas, 59
Estatal, 33
Ecuaciones de perturbación, 52
Variables, 33
Estatal-notación espacial, 33
Ecuaciones de diferencia, 33
Ecuaciones diferenciales, 34
Reclutamiento accionario, 355
Estrategias, 27, 73
Tan heritable fenotipos, 8
Concatenación, 94
Continuo, 68
evolutionarily Establo, 151
Fijo, 73
Grupo-optimal, 70
max-max, 70
max-min, 69
Malo, 121
Mixto, 68, 276
Nash solución, 70
No-remordimiento, 70
Puro, 69, 276
Escalar, 92, 106
Variable, 73
Vector, 93, 96, 99, 103
dinámica de estrategia, 21,
112, 114 especie de estrategia
concepto, 121, 236, 242 lucha
para existencia, 62 cosecha
sostenible, 355
symmetric Juego de
competición, 89
symmetric juego matricial,
66, 278 especiación
simpátrica, 251, 252
Ejemplo de flujo del gen, 253
382 Índice