(Phys.org) —Dado que una gacela puede correr más rápido que un león, ¿Cómo pueden los leones cazar gacelas? Un nuevo modelo de interacción depredador-presa muestra cómo los grupos de depredadores utilizan estrategias de persecución colectiva, como tomar curvas y dar vueltas, para perseguir y capturar presas más rápido. Sin esta colaboración táctica, los depredadores no tendrían ninguna posibilidad de atrapar a estas presas.

Los resultados no solo son relevantes para comprender la vida silvestre, pero también tienen aplicaciones potenciales para estrategias de vuelo con drones y en la industria del entretenimiento.

Los investigadores, Milán Janosov, Csaba Virágh, Gábor Vásárhelyi, y Tamás Vicsek del Grupo de Investigación en Física Biológica y Estadística MTA-ELTE, Hungría, han publicado su artículo sobre su nuevo modelo de estrategias de persecución colectiva en un número reciente de la Nueva Revista de Física .

"Después de muchos esfuerzos anteriores, logramos dar un simple, pero una explicación sorprendentemente realista de cómo los animales depredadores pueden formar manadas de caza exitosas, y al mejorar drásticamente sus posibilidades de tener éxito en una cacería, "Janosov dijo Phys.org . "Esto es particularmente interesante porque logramos modelar estos sistemas excepcionalmente complejos, los grupos de caza de grandes carnívoros, en una simulación que se asemeja a las características realistas de las actividades de los animales, como rodear, tamaño óptimo del grupo, y espacio finito, sólo mediante el uso de un conjunto de reglas compactas formuladas como interacciones de fuerza en la física ".

Aunque existen otros modelos que describen las interacciones depredador-presa, el nuevo modelo es diferente debido a la gran cantidad de factores que tiene en cuenta, como el umbral de pánico de la presa, la capacidad del depredador para predecir la posición futura de la presa, y la interacción entre múltiples depredadores, dentro de límites cerrados con medidas realistas. Todos estos parámetros contribuyen a hacer un modelo más realista que describe con precisión los comportamientos observados en la naturaleza por grupos de depredadores como los leones, Lobos, y coyotes.

Al ejecutar simulaciones y medir la efectividad de diferentes combinaciones de valores de parámetros, los investigadores determinaron las combinaciones óptimas que resultaron en las estrategias de persecución grupal más exitosas. Entre sus resultados, descubrieron que solo uno o dos depredadores nunca pueden atrapar una presa más rápida, y que grupos de tres o más tienen éxito solo con ciertas estrategias colaborativas.

El modelo reveló que tres depredadores forman un grupo óptimo cuando persiguen en dos dimensiones (como en tierra) en un espacio confinado. En tres dimensiones (como en el aire o bajo el agua), perseguir se vuelve más desafiante, y los grupos de cinco son óptimos. Estos tamaños de grupo son comparables a los observados en la naturaleza. Algo sorprendente, Los investigadores también encontraron que un número impar de perseguidores lo hace mejor que un número par, que se debe a razones geométricas:con un número par, es más probable que quede una brecha entre los depredadores que permita a la presa escapar.

En su modelo, los investigadores también observaron un comportamiento emergente, que es un comportamiento que aparece solo en grupos. En particular, grupos de depredadores a menudo comienzan a rodear a sus presas, y este comportamiento surge directamente de las reglas de persecución.

En naturaleza, Es común que la presa a veces corra en zigzag para confundir al depredador, y eventualmente huir directamente del depredador en línea recta. Los investigadores también observaron estas estrategias en su modelo, y descubrió que el zigzag es especialmente ventajoso cuando los depredadores tardan mucho en responder.

En el futuro, los investigadores esperan que se puedan obtener resultados interesantes adicionales modificando el modelo, como investigar situaciones con múltiples presas rápidas y equipar a los depredadores y presas con algoritmos de aprendizaje automático.

"Nuestro principal objetivo en esta investigación fue obtener una comprensión más profunda del comportamiento colectivo de los animales, ampliar nuestro conocimiento sobre cuestiones fundamentales sobre el comportamiento animal, "Janosov dijo." Sin embargo, dado que nuestro grupo de investigación está desarrollando algoritmos de movimiento colectivo para nuestra bandada de cuadricópteros, hay muchas aplicaciones potenciales que podríamos proponer. Por ejemplo, un grupo de drones tácticos que utilizan estrategias inteligentes de cerco podría llegar a salvar vidas incluso en el caso de ataques terroristas, cuando el objetivo es capturar vehículos voladores terroristas, o perseguir criminales en estrecho áreas urbanas densamente pobladas.

"Además de estos, nuestros resultados podrían tener aplicaciones potenciales incluso en la industria del entretenimiento en el desarrollo de juegos de campo, posiblemente combinado con herramientas de realidad virtual, o por la transmisión de eventos deportivos populares, especialmente aquellos que están muy extendidos en el espacio, por ejemplo, carreras de bicicletas o coches ".

© 2017 Phys.org