Evo-mechoモデル（McNamara & Houston, 2009）は，機能的アプローチと機械的アプローチを統合することを目的としている．Castellano, 2015はエボ・メチョの視点を取り入れることで，まず最適な計算メカニズムを特定し（計算理論レベル），次にそれを実装できるアルゴリズムを特定する（表現アルゴリズムレベル）ことを目的とした2段階のアプローチを提示した（Castellano, 2015）*1 *2．
Castellanoは昆虫の採餌意志決定を例として解析的に検討している．
計算理論レベル
昆虫が長期的な適性利益を最大化するために，どのようなタイプの計算を行うべきかを理解するために，(1)昆虫は採餌中にN個の花を順次数え，それぞれの花が潜在的な資源（つまり，昆虫が利用できるアイテム）であること，(2)探索と利用は相互に排他的であること，(3)最適な決定ルールは利用可能な資源の経済価値にのみ依存し，採餌中の昆虫の状態や捕食リスクには依存しないこと．を仮定して，行動を形式化した．
表現アルゴリズムレベル
意思決定プロセスをアルゴリズムレベルでモデル化するためには，生物学的に妥当な仮定を立てて取り組む必要がある．1つ目は，意思決定を行う認知装置が情報をどのように処理し，内部的に表現するかについての問題．彼は，長期的なエネルギー摂取の割合が自然淘汰の最大化であり，その割合が代替的な意思決定戦略の有効性を比較するための基準でもあるという仮定に従った．意思決定プロセスの最終的な機能はエネルギー摂取率の最大化だが，意思決定のアルゴリズムは率の比較に基づいておらず，利益とコストは，エネルギーと時間の知覚値と期待値の相対的な差という形で内部的に表現されていると仮定した．
2つ目は，不確実性に関する仮定．感覚的な情報は不確かでエラーを起こしやすいので，認知装置はどのようにして独立した情報を時間をかけて統合し，信頼性を高めることができるかを考慮した．資源の知覚値と期待値の相対的な差を示し，検査した資源の処理時間の知覚値と別の資源を見つけて処理する時間の期待値の相対的な差を検討した．
二種類の神経回路モデル，the one-dimensional static sampling model of decision making (1-DSS)とthe two-dimensional random walk model (2-DRW) of decision makingを提案し，従来のモデルと比較した．従来の採餌モデルは、エネルギー摂取の長期的な割合として表される個体の適応度を最大化するための抽象的な計算を扱うという点で、採餌の意思決定の計算理論を定義している．
採餌モデルでは、アイテムの品質に関する感覚情報が、アイテムの収益性を表す内部表現であるエネルギー摂取率に変換されることを前提としている．この仮定から，経済的価値はアイテムに内在する，文脈に依存しない属性であることが導き出される．例えば、アイテムの相対的な豊富さの変化は，アイテムの収益性の認識には影響を与えず，決定ルール（すなわち、決定しきい値）にのみ影響を与える．
一方で，1-DSSモデルと2-DRWモデルは，感覚情報を処理して意思決定を行うためのアルゴリズムに焦点を当てた計算メカニズムの理論を定義している．これは，アイテムの知覚価値は文脈に依存すると仮定し，選択のバリエーションは柔軟な意思決定ルールだけでなく，感覚情報の柔軟な使用の結果として得られる．具体的には，資源のエネルギー的価値と処理時間に関する感覚情報が並行して処理され，文脈に依存した利益とコストの表現に変換されると仮定する．利益とは資源のエネルギー的価値の観測値と期待値の相対的な差で，コストとは機会損失で，観測された利用時間と期待された利用時間の相対的な差として測定される．このようにアイテムの経済的価値を表現することで，意思決定メカニズムに柔軟性を持たせている．例えば，採餌昆虫が新しい環境に移動して以前よりも資源が豊富になったとすると，以前の環境では，平均以上のエネルギー収入があったために収益性の高い資源と認識されていたものが，今は平均を下回っているために収益性の低い資源と認識されうる．どちらの環境でも、決定ルールは同じでも，採餌行動は変わる．期待される利益とコストは，複雑な意思決定プロセスを説明するための抽象的な概念ではない．ヒトでは，期待される利益は前頭前野に，期待されるコストは帯状皮質に表現されることが知られている（Grabenhorst & Rolls, 2011）．
Decision-makingの研究者の多くは，自然選択は意思決定者にそれぞれが異なる文脈で最適（または満足）に動作するヒューリスティクスのツールボックスを提供したと想定している（Goldstein & Gigerenzer, 2002）．これらのルールとそれを実装するアルゴリズムは，進化的に独立した形質とみなされることが多く，新たな課題に対応するために自然選択によって容易に調整されたり，新たに作成されたりする．しかし、脳内のアルゴリズムはコンピュータのスクリプトに書かれたコマンドのリストとは異なり，脳の物理的解剖学的なリアリティがあるので，新しい解剖学的構造は通常は新規に進化するのではなく，祖先の形質を修正して生まれる（Cisek & Pastor-Bernier, 2014）．
