为什么向鱼群学习能进行优化问题求解？
水中成群游动的鱼，纷乱而有序。当遇到攻击的时候，它们会倏忽聚散，就像一个严密分工协作的组织。鱼身体的两侧都有一条颜色特殊的侧线，每条鱼都以周围一两条同伴的侧线为观察标志，调节自己的游向和速度，以维持合适的距离。这个简单的负反馈机制，便形成了整群鱼特定的自组织方式，从而逐步形成一种群体效应，使得最终结果可以实现，为优化问题的求解提供了一个新思路。
鱼群的觅食行为，主要是循着食物多的方向游动的一种行为，人工鱼在寻优过程中，就是向较优方向进行的迭代方式；聚群行为则能够很好地跳出局部极值，并尽可能搜索到其他的极值，以最终搜索到全局极值。聚群行为发生时，应遵循三条规则：分隔规则，对准规则，内聚规则。分隔规则要求尽量避免和邻近伙伴过于拥挤，对准规则要求尽可能和邻近伙伴的平均方向一致，内聚规则要求尽可能向着邻近伙伴的中心位置移动。追尾行为则有助于快速地向某个极值方向前进，加快寻优速度，并防止人工鱼因局部振荡而停滞不前。人工鱼群算法在对以上行为进行评价后，自动选择合适的行为，从而形成一种高效的寻优策略。
人工鱼群算法就是这样通过采用自下而上的设计思路，从实现人工鱼的个体行为出发，在个体自主的行为过程中得到群聚的寻优效应，这一新兴仿生智能计算方法目前已成功应用于作业调度、路径规划、图像处理等许多领域优化问题的求解。
【发散思维】骆驼、信鸽、野狼这些动物也能启发人们设计仿生智能算法吗？
