Spielstrategien A (Ausbeuter) B C
Häufigkeiten: p q r r := (1pq)
Relative Fitness 1 + aq 1 1+q+r
a = Ausbeutungsgrad > 1, beliebig hoch. D.h. A profitiert sehr stark von B, aber weder von C noch von sich selbst. C profitiert auch von B, aber weniger als A von B profitiert, dafür profitiert C auch von sich selbst.
Das resultierende simultan-rekursiven Differenzgleichungssystem lautet (PG ist die Populationsgrösse 10n; es wird gerundet auf die n.te Stelle hinter dem Komma, und reales Aussterben zu erhalten):
p(n) = round((p(n-1)*(1+A*q(n-1))) / (p(n-1)*(1+A*q(n-1))+q(n-1)+(1-p(n-1)-q(n-1))*(2-p(n-1))) * PG) / PG;
q(n) = round(q(n-1) / (p(n-1)*(1+A*q(n-1))+q(n-1)+(1-p(n-1)-q(n-1))*(2-p(n-1))) * PG) / PG;
r(n) = round((1-p(n-1)-q(n-1)) * PG) / PG;
Die Simulation, diesmal in Matlab 6.0, führt zu folgenden Ergebnissen:
Ausbeutungsgrad: a = 5
C erholt sich schnell, wenn
B ausgestorben ist
Ausbeutungsgrad a = 14,99
C erholt sich erst extrem spät,
nachdem B längst ausgestorben ist
Ausbeutungsgrad a = 15
Ab diesem Ausbeutungsgrad
erholt sich C nicht mehr; nun
setzt sich langfristig A durch.
(auch wenn die Generationszahl
beliebig erhöht wird)
Das das iterierte Gefangendilemma in der Tat zu chaotischen Verläufen führen kann, zeigt eine SImulation der Simulationsserie von Arnold, durchgeführt mit allen 25 = 32 möglichen 5 bit Strategien, die sich jeweils den vorausliegenden Zug von sich selbst und des Opponenten merken können:
Legende: Das erste Zeichen zeigt an, wie im ersten Zug gespielt wird – hier D für kooperativ ('dove') und H für egoistisch ('hawk'). Jede Strategie besitzt (ab dem 1. Zug) zwei Zustände, die anzeigen, was die Strategie gerade spielt D und H genannt. Jedes der vier weiteren Felder zeigt folgendes an:
Feld Strategie ist im Opponent hat zuletzt Strategie wechselt in Zustand: gespielt: Zustand und spielt:
2 D D
3 D H
4 H D
5 H H
Siehe Tit for Tat = DDHDH zur Illustration. Tweedledee = DDHDD z.B. hört nach jeder Bestrafung auf zu bestrafen, d.h. es fängt an wie TFT, geht wenn Opponent H spielt, ebenfalls H und geht in Zustand H (Feld 3); sobald es aber zuvor im Zustand H war, spielt es egal was der Opponent tut wieder D (Felder 4,5) und geht in Zustand D.
Chaotische Evolutionsszenarien als Folge von interaktiver Häufigkeitsabhängigkeit zwischen Populationen wurden übrigens auch in der Biologie gefunden und simuliert. May (1987) beschreibtmathematisch eine Insektenpopulation, die durch ein lethales Pathogen infiziert wird, z.B. ein Virus, der epidemisch jede Generation infiziert; man nimmt einen bestimmten Prozentsatz an der stirbt, ein anderer lebt weiter. Die Rate der Populationsgrößen wird komplett unvoraussagbar, obwohl durch die simple Differenzgleichung beschrieben:
Nn+1 = r.Nn(1 In)
(1In) = 1 exp(InNn/Nmax) ?? nachsehen
Nn = Absolute Grösse der Insektenpopulation (zum Zeitpunkt/Generation n)
r = Vermehrungsrate der Insekten ohne Pathogen
In = infizierter Prozentsatz (in Generation n)
Ncrit = Schwellenpopulationsgröße, wenn Nn < Ncrit, kann sich das Pathogen nicht mehr ausbreiten.
Die erste Gleichung beschreibt die Vermehrung der Insekten: der infizierte Anteil InNn gelangt nicht zur Reproduktion und vermehrt sich nicht. Die zweite Gleichung beschreibt Infektionsrate: der nicht infizierte prozentsatz 1In ist eine negative –exponentielle Funktion von In mal dem Verhältnis von Nn zu Ncrit diese Gleichung hat nur Lösungen In > 0 für Nn > Ncrit; dies Lösungsfunktion wird aber komplett chaotisch, ähnlich wie die logistische Abbildung (s. oben):
Abb. xx (May 33. Fig 1).
Dostları ilə paylaş: |