Dynamic Programming and Learning Models for Management of a Nonnative Species

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 espèces non indigènes envahissantes entraînent des dommages économiques et des coûts de lutte considérables. Compte tenu que les modèles d'optimisation dynamique échouent lorsque les moyens de lutte dépendent, de façon complexe, de moyens de lutte antérieurs, d'attributs spatiaux influencés par l'échelle ou non uniformes, etc., l'utilisation de systèmes d'aide à la décision permettant l'apprentissage pourrait être préférable. Nous avons comparé deux modèles dans le cas d'une plante adventice envahissant les pâturages de la Californie: 1. un modèle de programmation dynamique stochastique; 2. un modèle d'apprentissage experience‐weighted attraction (EWA), fondé sur le renforcement. Nous avons élargi le modèle EWA en y incluant la croissance stochastique des fourrages et des pénalités imposées pour l'utilisation répétée de moyens de lutte dommageables pour l'environnement. Selon les résultats obtenus, les modèles d'apprentissage EWA semblent prometteurs pour la gestion des espèces envahissantes.