آزمایشگاه آزاد؛ بدون نیاز به ورود
غذایابی در لکهها؛ کی بمونیم و کی بریم؟
وقتی جانور مدتی توی یک لکه میمونه، هرچه غذا بیشتر مصرف میشه آهنگ پیدا کردن غذای تازه پایینتر میآد. نمودار رو بخون و اثر غنای لکه و زمان سفر رو روی غذای جمعشده در ۱۰۰ یکای زمانی مدل مقایسه کن.
آزمایش رو شروع کنبرای شروع، غنای لکه رو روی ۸۰ و زمان سفر رو روی ۸ بذار. شکل خط رو ببین؛ در بخش اول نمودار، آهنگ بالا رفتن غذا کمکم پایین میآد.
آزمایشگاه در حال آماده شدنه…
حالا خودت امتحان کن
هر بار فقط یک چیز رو تغییر بده تا اثرش رو ببینی. قبل از اجرا، نتیجه رو حدس بزن.
از یک لکه هر بار غذای کمتری درمیآد
غنای لکه رو روی ۸۰ و زمان سفر رو روی ۸ نگه دار. در نمودار غذای انباشته رو در زمانهای ۱۰، ۲۰ و ۵۰ یکای مدل بخون.
حدست چیه؟ در بازهٔ ۱۰ تا ۲۰، غذا به اندازهٔ بازهٔ ۲۰ تا ۵۰ زیاد میشه؟ حواست باشه بازهٔ دوم سه برابر طولانیتره.
توضیح نتیجه رو ببین
مدل در زمان ۱۰ حدود ۴۴٫۱، در زمان ۲۰ حدود ۶۳٫۸ و در زمان ۵۰ حدود ۷۸٫۵ واحد غذا جمع میکنه. با اینکه بازهٔ ۲۰ تا ۵۰ سه برابر طولانیتره، افزایش غذا فقط حدود ۱۴٫۷ واحده؛ آهنگ جمعشدن غذا پایین میآد.
سفر طولانیتر چه هزینهای داره؟
غنای لکه رو روی ۸۰ نگه دار. زمان سفر رو یک بار روی ۲ و یک بار روی ۱۰ بذار و غذای کل در پایان بازه رو مقایسه کن.
حدست چیه؟ وقتی زمان بیشتری صرف رفتوآمد میشه، برای جمعکردن غذا وقت بیشتری میمونه یا کمتر؟
توضیح نتیجه رو ببین
با زمان سفر ۲، مدل حدود ۱۵۶٫۵ واحد غذا میده؛ با زمان سفر ۱۰، حدود ۱۵۱٫۳. در این مدل ساده، سفر طولانیتر از زمان ثابت ۱۰۰تایی کم میکنه.
لکهٔ پربارتر، غذای بیشتری میده؟
زمان سفر رو روی ۸ بذار. غنای لکه رو از ۴۰ به ۱۲۰ تغییر بده و غذای کل رو بخون.
حدست چیه؟ اگر غنای ورودی سه برابر بشه، خروجی مدل هم سه برابر میشه؟
توضیح نتیجه رو ببین
در غنای ۴۰، مدل حدود ۷۶٫۶ واحد غذا جمع میکنه؛ در غنای ۱۲۰، حدود ۲۲۹٫۹. چون بقیهٔ تنظیمات ثابته و فرمول غذا رو متناسب با غنای لکه بالا میبره، خروجی هم سه برابر میشه.
پشت این حرکت چه خبره؟
بازده لکه کمکم افت میکنه
food(t)=R*(1-exp(-0.08*t))
هرچه زمان بیشتری در یک لکه صرف بشه، در این مدل غذای باقیمونده و آهنگ بهدستآوردن غذای تازه کمتر میشه. به همین خاطر نمودار غذای انباشته اول تند بالا میره و بعد تختتر میشه.
قضیهٔ ارزش نهایی چه میگه؟
leave_when_marginalGainRate=averageGainRate
در نظریهٔ غذایابی بهینه، جانور زمانی از لکه میره که آهنگ بهدستآوردن غذا در همان لکه به میانگین آهنگ دریافت غذا در محیط برسه؛ زمان سفر هم روی این تصمیم اثر میذاره. این قاعده برای فهم تصمیمه، نه تضمین اینکه هر جانوری همیشه بهترین انتخاب رو میکنه.
زمان سفر از بودجه کم میشه
averageGainRate=totalFood/totalTime
در نمودار این شبیهسازی، رفتوآمد زمان میگیره و از فرصت غذاجمعکردن کم میکنه. مقایسهها فقط دربارهٔ همین لکههای یکسان و همین بازهٔ زمانیان؛ در طبیعت، پرباری لکهها و راه پیدا کردنشون هم میتونه فرق داشته باشه.
سؤالت رو بپرس، جوابش رو هم ببین
وقتی توی چت دربارهٔ یک مفهوم درس میخونی، دستیار هوش مصنوعی میتونه شبیهسازی مرتبط رو کنار توضیحش نشون بده. پارامترها رو تغییر میدی و با کمک توضیح بعدی، نتیجه رو بهتر میفهمی.
شروع یادگیری با چتبرای ادامه در چت، وارد مسیر شروع و ورود میشی. نتیجهٔ این آزمایش به چت منتقل نمیشه.
نمونهٔ نمایشی از آموزش در چت
چرا خط نمودار اول تند بالا میره و بعد آهستهتر؟
اوایل لکه پُرتره، پس جانور غذای بیشتری در هر یکای زمان پیدا میکنه. هرچه بیشتر از لکه برداشته بشه، پیدا کردن غذای تازه سختتر میشه و افزایش غذای انباشته کمکم کند میشه. این نمودار فقط یک الگوی سادهست؛ نظریهٔ ارزش نهایی برای انتخاب زمان رفتن، آهنگ فعلی رو با میانگین محیط و زمان سفر مقایسه میکنه.
سؤالهای رایج
لکهٔ غذایابی یعنی چی؟
یک بخش از محیطه که جانور برای پیدا کردن غذا ازش استفاده میکنه؛ مثل یک بوتهٔ پُر از دانه یا یک محدودهٔ پر از حشره.
منظور از بازده کاهنده چیه؟
یعنی با گذشت زمان و مصرف غذا، هر یکای زمان غذای کمتری به دست میآد. برای همین منحنی غذای انباشته رو به بالا میره ولی شیبش کمتر میشه.
نظریهٔ ارزش نهایی چه چیزی رو بهینه میکنه؟
میپرسه چه زمانی ترک لکه، آهنگ میانگین دریافت غذا رو در محیط بیشتر میکنه؛ هم آهنگ پیدا کردن غذا در لکه و هم زمان سفر مهمن.
عدد «زمان بهینهٔ اقامت» همیشه بهترین زمان واقعی رو میگه؟
نه. این شبیهسازی زمان ماندن روی لکه رو بر اساس اون عدد تنظیم نمیکنه و مقدارش با بخشهای نمودار یکی نیست؛ پس برای نتیجهگیری ازش استفاده نکن.
غذای کل برحسب گرم یا کیلوکالریه؟
نه، نمودار از یکاهای مدل استفاده میکنه و به مقدار واقعی غذا یا انرژی تبدیلش نمیکنه.