(Phys.org)—Dal momento che una gazzella può correre più veloce di un leone, come fanno i leoni a catturare le gazzelle? Un nuovo modello di interazione predatore-preda mostra come gruppi di predatori utilizzano strategie di caccia collettive, come curve e giri in curva, per inseguire e catturare prede più veloci. Senza questa collaborazione tattica, i predatori non avrebbero alcuna possibilità di catturare queste prede.

I risultati non sono solo rilevanti per la comprensione della fauna selvatica, ma hanno anche potenziali applicazioni per le strategie di volo dei droni e nell'industria dell'intrattenimento.

I ricercatori, Milán Janosov, Csaba Viragh, Gábor Vásárhelyi, e Tamás Vicsek al MTA-ELTE Statistical and Biological Physics Research Group, Ungheria, hanno pubblicato il loro articolo sul loro nuovo modello di strategie di caccia collettiva in un recente numero del Nuovo Giornale di Fisica .

"Dopo molti sforzi precedenti, siamo riusciti a dare un semplice, ma sorprendentemente realistica spiegazione di come gli animali predatori possono formare branchi di caccia di successo, e da questo aumentare drasticamente le loro possibilità di successo a caccia, " Janosov ha detto Phys.org . "Questo è particolarmente interessante perché siamo riusciti a modellare questi sistemi eccezionalmente complessi - i gruppi di caccia di grandi carnivori - in una simulazione che ricorda le caratteristiche realistiche degli inseguimenti degli animali, come circondare, dimensione ottimale del gruppo, e spazio finito, solo usando un insieme di regole compatte formulate come interazioni di tipo forza in fisica."

Sebbene ci siano altri modelli che descrivono le interazioni predatore-preda, il nuovo modello è diverso a causa del gran numero di fattori che tiene conto, come la soglia del panico della preda, la capacità del predatore di prevedere la posizione futura della preda, e l'interazione tra più predatori, entro confini chiusi con misure realistiche. Tutti questi parametri contribuiscono a creare un modello più realistico che descriva accuratamente i comportamenti osservati in natura da gruppi di predatori come leoni, lupi, e coyote.

Eseguendo simulazioni e misurando l'efficacia di diverse combinazioni di valori dei parametri, i ricercatori hanno determinato le combinazioni ottimali che hanno portato alle strategie di inseguimento di gruppo di maggior successo. Tra i loro risultati, hanno scoperto che solo uno o due predatori non possono mai catturare una preda più veloce, e che gruppi di tre o più riescano solo con determinate strategie collaborative.

Il modello ha rivelato che tre predatori formano un gruppo ottimale quando si inseguono in due dimensioni (come a terra) in uno spazio ristretto. In tre dimensioni (come nell'aria o sott'acqua), rincorrere diventa più impegnativo, e gruppi di cinque sono ottimali. Queste dimensioni del gruppo sono paragonabili a quelle osservate in natura. Un po' sorprendentemente, i ricercatori hanno anche scoperto che un numero dispari di inseguitori fa meglio di un numero pari, che è dovuto a ragioni geometriche:con un numero pari, è più probabile che rimanga un divario tra i predatori che consente alla preda di fuggire.

Nel loro modello, i ricercatori hanno anche osservato comportamenti emergenti, che è un comportamento che appare solo nei gruppi. In particolare, gruppi di predatori iniziano spesso ad accerchiare la loro preda, e questo comportamento nasce direttamente dalle regole dell'inseguimento.

In natura, è normale che la preda a volte corra a zigzag per confondere il predatore, e alla fine scappare direttamente dal predatore in linea retta. I ricercatori hanno anche osservato queste strategie nel loro modello, e ha scoperto che lo zigzag è particolarmente vantaggioso quando i predatori hanno un lungo ritardo nella risposta.

Nel futuro, i ricercatori si aspettano che si possano ottenere ulteriori risultati interessanti modificando il modello, come indagare su situazioni con più prede veloci e dotare predatori e prede di algoritmi di apprendimento automatico.

"Il nostro obiettivo principale in questa ricerca era acquisire una comprensione più profonda del comportamento collettivo degli animali, ampliare le nostre conoscenze su questioni fondamentali sul comportamento animale, " disse Janosov. "Tuttavia, dato che il nostro gruppo di ricerca sta sviluppando algoritmi di movimento collettivo per il nostro stormo di quadricotteri, ci sono molte potenziali applicazioni che potremmo proporre. Per esempio, un gruppo di droni tattici che utilizzano strategie di accerchiamento intelligenti potrebbe persino salvare la vita in caso di attacchi terroristici, quando l'obiettivo è catturare veicoli volanti terroristici, o inseguendo i criminali in stretto, aree urbane altamente popolate.

"Oltre a questi, i nostri risultati potrebbero avere potenziali applicazioni anche nell'industria dell'intrattenimento nello sviluppo di giochi da campo, eventualmente combinato con strumenti di realtà virtuale, o tramite lo streaming di eventi sportivi popolari, specialmente quelli che sono ampiamente diffusi nello spazio, ad esempio, corse in bicicletta o in auto."

© 2017 Phys.org