Ein theoretischer Rahmen in der Ökologie, der modelliert, wie ein Nahrungsnehmer (Tier oder Organismus) Beute, Nahrungsflächen oder Verhaltensweisen auswählen sollte, um eine Zielgröße wie Nettoenergiegewinn oder Fitness zu maximieren, unter Beschränkungen wie Zeit, Räuberrisiko und Ressourcenverteilung.

Prinzip

Organismen verhalten sich so, dass sie eine biologisch relevante Zielgröße (z. B. Energie pro Zeiteinheit oder reproduktiven Erfolg) unter den gegebenen Umweltbeschränkungen maximieren; optimale Entscheidungen ergeben sich aus dem Trade-off zwischen Gewinn und Kosten.

Demonstration

Ein Vogel, der zwischen vielen kleinen Insekten in einem Fleck und selteneren großen Insekten in einem anderen Fleck wählt, wird prognostisch einen Fleck verlassen, wenn die momentane Aufnahmerate unter die erwartete Rate des Alternativflecks fällt, unter Berücksichtigung der Reisezeit — dies ergibt eine messbare Aufenthaltsregel in Feldstudien.

Fehlanwendung

Die Anwendung optimaler Foraging-Modelle zur Vorhersage präzise getakteter Einzelentscheidungen ohne Berücksichtigung von Wahrnehmungsgrenzen, Lernen oder stochastischer Variation kann Abweichungen fälschlich als irrational interpretieren statt als unmodellierte Einschränkungen.

Konsequenz

Richtig angewandt erzeugt die Theorie testbare Vorhersagen über Diätbreite, Aufenthaltszeiten in Flecken und Habitatwahl; sie macht deutlich, welche Beschränkungen das Foraging-Verhalten am stärksten prägen.

Umkehrung

Wenn Organismen eine Zielgröße minimieren statt maximieren (z. B. Minimierung der Räubungsexposition trotz Energieverlust), kehren sich die vorhergesagten Verhaltensweisen um: Tiere akzeptieren geringere Energiezufuhr, um das Risiko zu senken.

Abgrenzung

Bezieht sich auf Entscheidungsregeln zur Ressourcengewinnung auf individueller und kurzfristiger Ebene; modelliert nicht von sich aus Populationsdynamik, genetische Veränderung oder kulturell vermittelte Verhaltensweisen, sofern nicht gekoppelt mit anderen Modellen.

Semantische Spannung

Steht im Wettbewerb mit mechanistischen Entscheidungsprozessmodellen (z. B. zustandsabhängigen Lernmodellen), die proximate kognitive Algorithmen betonen statt eines angenommenen Optimalitätskriteriums.

Synthese

Die Theorie des optimalen Foraging reduziert Foraging-Entscheidungen auf Trade-offs zwischen Gewinn und Kosten, um adaptive Wahlmuster vorherzusagen, verlangt aber die explizite Festlegung der Zielgröße sowie die Anerkennung proximate Grenzen und Stochastizität.