Modellierung inklusiver Fitness

Stellen Sie sich eine Population von zwei Altruisten mit einem Verwandtschaftskoeffizienten vor R . Die durchschnittliche inklusive Fitness dieser Bevölkerungsgruppe wird sein w 0 + B R C . Wie in diesem Beispiel folgt die Zuweisung von inklusiver Fitness, die ich in Büchern und Artikeln gesehen habe, der Regel, dass Sie keine Änderungen der inklusiven Fitness zählen sollten, die sich aus der Aktion Ihres Nachbarn ergeben. In unserem Beispiel beinhaltet die Berechnung der durchschnittlichen inklusiven Fitness beispielsweise die Zunahme der indirekten Fitness für den Akteur (d. h. B R ), die Kosten (d. h. C ), aber beinhalten nicht die Auswirkungen des altruistischen Verhaltens des Nachbarn (d. h. B ). Das heißt, die durchschnittliche inklusive Fitness ist es nicht ( w 0 + B R C ) + B .

Meine Frage ist: Warum zählen Sie in inklusiven Fitnessmodellen keine Veränderungen der inklusiven Fitness, die sich aus der Aktion Ihres Nachbarn ergeben? Würde es das Modell nicht genauer machen, die Auswirkungen des Verhaltens Ihres Nachbarn zu berücksichtigen? Mit anderen Worten, in unserem Beispiel warum nicht ( w 0 + B R C ) + B ein besserer Wert für die durchschnittliche inklusive Fitness als einfach ( w 0 + B R C ) ?


Notiz:

Wie @Corvus betonte, werden wir Vorteile doppelt zählen, wenn wir Änderungen in der integrativen Fitness einbeziehen, die sich aus der Aktion Ihres Nachbarn ergeben. Betrachten Sie noch einmal das oben erwähnte Beispiel einer Population von zwei Altruisten mit einem Verwandtschaftskoeffizienten R :

Geben Sie hier die Bildbeschreibung ein

Wenn wir schreiben w 1 = w 2 = ( w 0 + B R C ) + B , die Hilfe von 1 auf 2 erscheint als R B In w 1 und wie B In w 2 . Wenn wir die Fitness richtig schreiben, w 1 = w 2 = ( w 0 + B R C ) , die Hilfe von 1 gegen 2 wird nur einmal gezählt (d. h. B R In w 1 ). Ich kann jedoch nicht anders, als zu fragen: "Warum nicht die Hilfe von 1 zu 2 zweimal zählen?" Wir zählen die Hilfe von 1 zu 2 zweimal, aber jedes Mal weisen wir sie verschiedenen Personen zu, 1 und 2.

Das ist eine sehr gute Frage und kurz gesagt lautet die Antwort, dass inklusive Fitness nur eine Annäherung an das ist, was die natürliche Selektion maximiert. Die von Ihnen vorgeschlagene Menge ist jedoch keine bessere Erklärung; Es endet mit der doppelten Anrechnung von Vorteilen. Ich werde versuchen, bald eine genauere Beschreibung zu schreiben.
Es ist gut, Fragen zur sozialen Entwicklung zu haben. Es ist ein oberflächlich einfaches Feld, das sehr schnell ziemlich kompliziert wird, wenn man sich damit beschäftigt. +1
@Remi.b Anfangs dachte ich, dass ich nicht lange brauchen würde, um die grundlegenden Modelle der sozialen Evolution gut zu verstehen. Ich habe mich so geirrt.

Antworten (1)

Allgemeines

Es gibt viele Möglichkeiten, Phänotypen zu betrachten, die die Fitness des Trägers und anderer Personen beeinflussen. Eine davon ist die Gruppenauswahl und eine andere die Sippenauswahl. Diese beiden Konzepte sind nur zwei verschiedene Sichtweisen auf dieselben Prozesse. Betrachten wir nun nur die Sippenauswahl, um diese Prozesse zu betrachten.

Sie können entweder den Einfluss des Phänotyps eines Fokusindividuums auf Nachbarindividuen oder den Einfluss von Nachbarindividuen auf das Fokusindividuum berücksichtigen. Wenn man es in beide Richtungen betrachtet, würde man die Wirkung Ihres Phänotyps zweimal zählen. Es macht wenig Sinn, von der mittleren inklusiven Fitness einer Bevölkerung zu sprechen. Man kann nur von der mittleren Fitness einer Population sprechen.

Die Verwirrung

Der Grund für all diese Verwirrung läuft darauf hinaus, was B Und C wirklich gemein. Eines der Probleme ist, dass Sie verwirren B Und B , C Und C . Die Formulierung R B > C ist eine zu starke Vereinfachung der Realität. Hamilton verwendete diese Formulierung zunächst nicht und interpretierte sie nicht B da der Vorteil für den Beförderer irreführend sein könnte. Es ist wichtig, die Hamilton-Regel in ihrer ursprünglichen Formulierung zu verstehen, und es ist wichtig, die evolutionäre Spieltheorie zu verstehen, die der Evolution sozialer Merkmale zugrunde liegt.

Was ist die Hamiltonsche Regel

Man kann die Entwicklung sozialer Merkmale nicht unter dem Rahmen der Verwandtenauswahl studieren, wenn man die zugrunde liegende Spieltheorie nicht versteht. R B > C nimmt an, dass das Spiel, das wir spielen, das Gefangenendilemna ist . Sie können mehr über Spieltheorie lernen. Mehr über evolutionäre Spieltheorie erfahren Sie im Wiki oder in diesem Buch . Hier ist ein Video der Khan-Akademie über das Gefangenendilemma

Nehmen wir an, wir spielen Gefangenendilemna . Die Eignung einer Person, die kooperiert, ist per Definition w Ö + B C (beachten Sie, dass die Buchstaben nicht groß geschrieben werden). Wenn Sie kooperieren und die anderen nicht, ist Ihre Fitness schlecht w Ö C . Wenn Sie nicht kooperieren und der andere kooperiert, ist Ihre Fitness schlecht w Ö + B . Wenn niemand kooperiert, Ihre Fitness, wenn w Ö . Und per definitionem B > C . Kenntnis der Häufigkeit von Personen, die in der Bevölkerung zusammenarbeiten j und wissen und Ihre Wahrscheinlichkeit der Zusammenarbeit ist X . Dann steigt der Grad des Altruismus (Häufigkeit von Kooperationen) in der Bevölkerung genau dann, wenn

R D w ( X , j ) D X > D w ( X , j ) D j
, Wo R ist der Verwandtschaftskoeffizient, der selbst als Korrelation zwischen den Variablen ausgedrückt werden kann X Und j . w ( X , j ) ist die Eignung des Individuums, mit Wahrscheinlichkeit altruistisch zu sein X in einer Population, in der Individuen mit Wahrscheinlichkeit kooperieren j Und D w ( X , j ) D X ist die partielle Ableitung der Fitnessfunktion in Bezug auf X . Per Definition, D w ( X , j ) D X = B Und D w ( X , j ) D j = C (Großbuchstaben).

Die mittlere Fitness der Population hängt also von der Kooperationshäufigkeit ab j . Gehen wir der Einfachheit halber davon aus j = 1 (Gleichgewicht), dann ist die mittlere Fitness der Population w Ö + B C (Beachten Sie, dass die Buchstaben, B Und C sind keine Großbuchstaben), und die Varianz der Eignung ist null. Alle Personen haben eine Fitness von w Ö + B C da alle Personen altruistisch sind und Handlungen ausführen, die sich negativ auf die Fitness auswirken C und einen positiven Einfluss auf ihre Fitness B .

Zusamenfassend

B Und C in Ihrer Frage entsprechen B Und C in meiner Antwort und nicht zu B Und C . Wenn Sie Gefangenendilemna spielen, dann hat per Definition jeder eine Fitness von, wenn alle kooperieren (keine Abweichung in der Bevölkerung). w Ö + B C und die mittlere Fitness ist w 0 + B C (da es keine Abweichung gibt). Nun hängt die Frage davon ab, ob am Ende alle kooperieren B , C Und R .

In deiner Bearbeitung schreibst du R B Und C aber Sie werden verwirrt über die Bedeutung von B Und C . Wenn Sie Gefangenendilemna spielen, wenn Sie mit jemandem kooperieren, der ebenfalls kooperiert, ist Ihre Fitness inklusive B C + R ( B C ) und wenn Sie mit jemandem kooperieren, der nicht kooperiert, ist Ihre inklusive Fitness B C + R ( B ) .

Wie ist die Menge w ( X , j ) ?
Entschuldigung, war unklar. Siehe Bearbeiten. w ( X , j ) ist die Fitness eines Individuums, das mit der Wahrscheinlichkeit kooperiert X in einer Population, die mit der Wahrscheinlichkeit kooperieren j
Sie korrigieren mich, wenn ich falsch liege, aber Ihr Punkt scheint zu sein, dass sich meine Frage nicht stellt, wenn wir die Hamilton-Regel mit PD formulieren. Der Grund scheint darin zu liegen, dass sich die Ableitung der Hamiltonschen Regel über PD nur auf die direkte Eignung bezieht. Das heißt, anstatt den Grad der genetischen Verwandtschaft zu messen, R misst das positive Sortiment (dh wie wahrscheinlich es ist, dass ein Altruist mit einem anderen Altruisten interagiert).
Siehe den Abschnitt "kurz gesagt", den ich hinzugefügt habe. Ich bin mir nicht sicher, ob ich Ihre Frage beantworte. Du wirst es mich wissen lassen.
Ich glaube, ich verstehe, was du sagst. Dies ist ein interessanter Weg, um die Hamliton-Regel abzuleiten. Wenn ich es richtig verstanden habe, sucht es nach den Bedingungen in denen D w / D X > 0 . Sobald wir die Kettenregel anwenden, erhalten wir die Version der Hamilton-Regel, die Sie wo geschrieben haben R = β j X = D j / D X .