Nonnative invasive species result in sizeable economic damages and control costs. Because dynamic optimization models break down if controls depend in complex ways on past controls, nonuniform or scale-dependent spatial attributes, etc., decision-support systems that allow learning may be preferred. We compare two models of an invasive weed in California's grazing lands: (i) a stochastic dynamic programming model and (ii) a reinforcement-based, experience-weighted attraction (EWA) learning model. We extend the EWA approach by including stochastic forage growth and penalties for repeated application of environmentally harmful controls. Results indicate that EWA learning models offer some promise for managing invasive species. Les espc.ces non indigc.nes envahissantes entracnent des dommages cbconomiques et des cocts de lutte considcbrables. Compte tenu que les modc.les d'optimisation dynamique cbchouent lorsque les moyens de lutte dcbpendent, de fac'on complexe, de moyens de lutte antcbrieurs, d'attributs spatiaux influenccbs par l'cbchelle ou non uniformes, etc., l'utilisation de systc.mes d'aide c la dcbcision permettant l'apprentissage pourrait ctre prcbfcbrable. Nous avons comparcb deux modc.les dans le cas d'une plante adventice envahissant les pcOturages de la Californie: 1. un modc.le de programmation dynamique stochastique; 2. un modc.le d'apprentissage experience-weighted attraction (EWA), fondcb sur le renforcement. Nous avons cblargi le modc.le EWA en y incluant la croissance stochastique des fourrages et des pcbnalitcbs imposcbes pour l'utilisation rcbpcbtcbe de moyens de lutte dommageables pour l'environnement. Selon les rcbsultats obtenus, les modc.les d'apprentissage EWA semblent prometteurs pour la gestion des espc.ces envahissantes.
展开▼
