基于机器学习(ML)的复杂渔业场景下捕捞控制规则优化研究

来自加拿大的研究人员针对渔业科学中体型结构随机种群(size-structured stochastic populations)的捕捞管理难题，创新性地将强化学习(RL)与贝叶斯优化应用于阿尔伯塔省梭鲈鱼(Wall eye)种群管理。该研究通过优化多指标权衡的捕捞控制规则(HCR)，揭示了传统基于生物量参考点(biomass reference points)的线性预防政策在复杂生态场景中的局限性，并证实鱼类平均体重观测值可提升管理决策精度。

　　

渔业科学领域长期面临体型结构随机种群的捕捞管理难题。尽管基于生物量(biomass)和捕捞参考点(harvesting reference points)的线性预防政策已成为标准解决方案，但这些建立在简化生态动力学假设（如解析解或动态规划）上的反馈策略，往往难以应对真实世界中更为复杂的生态场景。

研究者另辟蹊径，运用强化学习(Reinforcement Learning, RL)和贝叶斯优化(Bayesian optimisation)技术，针对加拿大阿尔伯塔省具有间歇性补充动态(variable recruitment dynamics)的梭鲈鱼种群，开发了适用于部分可观测(partially observed)、年龄结构(age-structured)种群的新型捕捞控制规则(harvest control rules)。通过多维度性能指标评估，研究不仅量化了传统参考点政策与数值优化政策的性能差异，更创新性地发现：在常规生物量监测基础上引入平均鱼体重量(mean fish weight)观测，可显著提升管理决策的精准度。这项研究为复杂生态系统的适应性管理提供了可量化的决策框架。