当你在海洋馆看到成千上万条鱼像一个整体般优雅地游动时，你是否好奇过它们是如何做到如此完美协调的？没有指挥官，没有事先排练，这些鱼儿却能在瞬间改变方向，形成美丽的几何图案。这个看似简单却又神秘的现象，一直困扰着科学家们。

来自加州大学河滨分校和纽约州立大学宾汉顿分校的研究团队，联合印度尼西亚万隆理工学院等多个机构的科学家们，最近在这个领域取得了重要突破。他们开发了一个名为"dewi-kadita"的计算机程序，就像一个虚拟的海洋实验室，可以在计算机中模拟鱼群的各种行为模式。这项研究发表在2026年2月的物理计算期刊上，编号为arXiv:2602.07948v1，为我们揭开了海洋生物集体行为的神秘面纱。

要理解鱼群的行为，我们可以把每条鱼想象成一个小小的机器人。这些"机器人"遵循着三个简单的规则：不要撞到别的鱼（避障），尽量和周围的鱼游向同一个方向（对齐），还要努力跟上大家不要掉队（聚集）。就像人群中的每个人都会本能地避开别人、跟随人流方向、不想被落在后面一样。

但是，仅仅有这三个规则还不够。研究团队发现，每条鱼周围实际上存在着三个看不见的"圈层"，就像一个人的个人空间一样。最内层是"安全圈"，任何鱼进入这个范围都会触发避障反应，就像两个人靠得太近时会自然地后退一样。中间层是"对齐圈"，在这个范围内的鱼会影响彼此的游泳方向，类似于人们走路时会不自觉地调整步伐与旁边的人保持一致。最外层是"吸引圈"，让鱼群保持整体的凝聚力，防止个体游离得太远。

传统的研究方法就像用放大镜观察蚂蚁一样，只能看到局部的行为。而这个新的计算机程序就像拥有了一个上帝视角，可以同时观察150到250条鱼的所有行为，还能快进或慢放，反复观察它们的互动模式。更厉害的是，程序运行速度极快，在普通电脑上5分钟内就能完成一次完整的模拟实验，这在以前可能需要几小时甚至几天。

一、揭秘鱼群的四种"舞蹈"模式

研究团队发现，鱼群的行为可以归纳为四种基本模式，就像四种不同风格的集体舞蹈。

第一种叫做"乱群状态"，就像一群没有音乐指导的人在舞池里各自乱舞。每条鱼都在游动，但没有统一的方向，看起来就像一团混乱的云朵在水中飘荡。这种状态通常出现在鱼群觅食时，大家都忙着寻找食物，顾不上保持队形。

第二种是"环形状态"，想象一下溜冰场上的人们手拉手围成一个大圆圈旋转。鱼群会形成一个巨大的环形，所有的鱼都沿着圆形路径游动，就像一个巨大的漩涡。这种行为在面临威胁时经常出现，通过不断旋转，鱼群可以迷惑捕食者，让它们难以锁定单个目标。

第三种是"动态平行状态"，类似于马拉松比赛中的跑者们。大多数鱼朝着同一个方向游动，但偶尔会有方向的调整和变化，就像跑步队伍遇到转弯时的情况。这种状态既保持了整体的方向性，又允许灵活应对环境变化。

第四种是"高度平行状态"，就像军队的阅兵方阵，所有的鱼都严格按照同一个方向、同样的速度游动，形成完美的流线型队形。这种状态在长距离迁徙时最为常见，能够最大化游泳效率，减少能量消耗。

研究团队通过大量的计算机模拟发现，鱼群会在这四种状态之间自由切换，具体选择哪种状态取决于环境条件、鱼群密度、以及外部威胁等因素。这就像人类社会中，我们会根据不同场合选择不同的行为模式——在聚会上可能比较随意，在正式场合则会更加规范。

二、解码鱼群行为的新工具：熵值分析法

传统的观察方法就像只看电影的几个镜头就要猜测整个剧情，往往只能捕捉到鱼群行为的表面现象。研究团队开发了一套全新的分析工具，就像给鱼群行为安装了一个"解码器"，能够深入理解它们行为背后的复杂规律。

这个解码器的核心概念叫做"熵值"，听起来很复杂，但其实很好理解。熵值本质上是衡量"混乱程度"的指标，就像衡量房间整洁程度一样。如果房间里的东西摆放得井井有条，熵值就很低；如果东西乱七八糟地堆在一起，熵值就很高。

研究团队设计了七种不同的"熵值温度计"，每一种都专门测量鱼群行为的某个特定方面。第一个温度计测量"紧密程度熵"，就像测量人群中每个人之间的距离分布。如果大家都紧紧挨在一起，这个数值就很低；如果有的人靠得很近，有的人离得很远，数值就会升高。

第二个测量"方向一致性熵"，类似于测量合唱团中每个人的音调协调程度。如果所有鱼都朝着完全相同的方向游动，这个数值接近零；如果有的鱼朝东游，有的朝西游，数值就会很高。

第三个测量"深度分布熵"，关注鱼群在垂直方向上的分布。海洋中的鱼群经常会根据水温、氧气含量或光照条件在不同深度聚集。如果所有鱼都聚集在同一深度，这个数值就很低；如果它们均匀分布在各个深度，数值就会升高。

第四个测量"旋转贡献熵"，专门分析每条鱼对整体旋转运动的贡献。就像分析舞蹈团中每个舞者对整体旋转效果的贡献程度一样。在环形游动状态下，如果每条鱼的旋转贡献都很均匀，这个数值会比较高；如果只有少数鱼在主导旋转，数值就会较低。

第五个测量"邻居距离变化熵"，分析每条鱼与其邻近同伴距离的变化规律。就像分析一个朋友圈中，每个人与其好友之间社交距离的稳定性一样。

第六个测量"速度关联熵"，专门分析鱼群中每对鱼之间游泳方向的相关程度。如果大部分鱼对都朝着相似方向游动，这个数值就很低；如果鱼对之间的方向关系很复杂，数值就会升高。

第七个测量"形状变化熵"，分析鱼群整体形状的复杂程度。一个球形的鱼群这个数值比较高，因为各个方向都比较均匀；而一个细长条形的鱼群这个数值就比较低。

最精妙的是，研究团队将这七个数值按照不同权重组合成一个综合指标，叫做"海洋群游指数"。这个指数就像一个综合体检报告的总分，能够用一个简单的数字来描述鱼群行为的整体特征。指数越低，表示鱼群越有序；指数越高，表示鱼群越混乱。

三、虚拟海洋实验室的技术突破

要在计算机中准确模拟成百上千条鱼的复杂行为，就像要在纸上完美重现一场芭蕾舞表演一样困难。研究团队解决了许多技术难题，创造了一个前所未有的虚拟海洋环境。

首先，他们解决了"计算速度"这个大难题。如果用传统方法计算，每条鱼都需要知道其他所有鱼的位置和方向，这就像一个聚会中每个人都要和其他所有人打招呼一样，计算量会随着鱼的数量急剧增加。对于250条鱼的群体，就需要进行超过6万次的相互作用计算，这在普通计算机上可能需要几个小时才能完成一次模拟。

研究团队使用了一种叫做"即时编译"的技术，就像有一个超级翻译官，能够瞬间将程序语言翻译成计算机最容易理解的机器语言。这种技术将计算速度提高了10到100倍，原本需要几小时的计算现在5分钟就能完成。

其次，他们创造了一个"无边界海洋"的虚拟环境。在现实海洋中，鱼群可以无限延伸，但计算机的内存是有限的。研究团队采用了一种巧妙的"循环边界"设计，就像经典游戏"贪吃蛇"中的屏幕设计一样——当鱼游到虚拟海域的右边界时，会自动从左边界出现，从而创造了一个在数学上无限大的海洋环境。

再次，他们精确模拟了鱼类的生理限制。真实的鱼不能瞬间改变方向，就像汽车不能在高速行驶时立即转弯一样。研究团队在程序中设置了"最大转向角度"限制，确保虚拟的鱼的转向能力与真实鱼类保持一致。同时，他们还加入了"视野盲区"设置，因为真实的鱼在身后有一个看不见的区域，这会影响它们对周围环境的感知和反应。

最后，为了模拟海洋环境中的各种不确定因素，研究团队在程序中加入了"随机扰动"因素。就像海流、水温变化或小型捕食者的干扰一样，这些随机因素让虚拟鱼群的行为更加接近真实情况。

这个虚拟实验室还具有强大的数据记录和分析能力。它不仅能实时记录每条鱼的位置、方向和速度变化，还能生成详细的行为分析报告，甚至制作动态的三维动画，让研究者能够直观地观察鱼群行为的演变过程。

四、四大经典实验揭示鱼群奥秘

为了验证虚拟实验室的准确性，研究团队设计了四个经典实验，每个实验都模拟了不同的海洋环境和鱼群状态。这就像在实验室中重现四种不同的天气条件，观察植物在各种环境下的生长表现。

第一个实验模拟的是"觅食时的混乱状态"。研究团队设置了150条虚拟鱼在一个25平方单位的海域中游动，并调高了"安全距离"参数，同时增加了环境噪声。这种设置就像模拟鱼群在食物丰富的珊瑚礁中觅食的场景——每条鱼都专注于寻找食物，对同伴的关注度下降，导致整个鱼群显得比较松散和随意。实验结果显示，这种状态下的极化度（方向一致性）始终保持在0.1以下，海洋群游指数维持在0.71左右，证实了混乱状态的特征。

第二个实验专门研究"防御性环形游动"。研究团队将200条虚拟鱼初始排列成圆形，并降低了方向对齐的权重，同时扩大了视野盲区。这种设置模拟了鱼群遇到大型捕食者时的防御行为。有趣的是，实验发现鱼群无法长期维持完美的环形状态，而是逐渐演变成一种"动态环形"，即在保持旋转的同时逐渐产生整体移动趋势。最终的旋转参数从初始的0.95下降到0.32，而极化度则从接近零上升到0.72。

第三个实验模拟了"迁徙过程中的动态协调"。180条虚拟鱼被放置在一个28平方单位的更大海域中，研究团队增大了对齐影响范围，并设置了中等程度的环境扰动。这种配置模拟了鱼群在长距离迁徙过程中需要在保持整体方向的同时应对各种环境变化的情况。实验结果显示，鱼群能够快速达到高度对齐状态（极化度超过0.7），但会周期性地出现方向调整，表现为极化度的短期波动，这正是动态平行状态的典型特征。

第四个实验追求"最完美的协调状态"。250条虚拟鱼在一个35平方单位的大型海域中活动，研究团队将环境噪声降到最低，同时优化了所有协调参数。这种设置模拟了理想海洋条件下的鱼群行为，比如深海中没有太多干扰的环境。实验结果令人印象深刻：鱼群在短短20个时间单位内就达到了接近完美的对齐状态，极化度高达0.998，海洋群游指数降至0.24，并且在整个实验过程中保持极其稳定的队形。

通过对比这四个实验，研究团队发现了鱼群行为的一个重要规律：环境条件的微小变化就能导致鱼群行为模式的显著差异。比如，仅仅将环境噪声从0.05提高到0.12，就足以让鱼群从高度协调状态转变为动态协调状态。这说明真实海洋环境中的各种因素——海流变化、水温波动、捕食者威胁等——都会对鱼群的集体行为产生重要影响。

五、熵值分析法的惊人发现

当研究团队将新开发的熵值分析法应用于四个经典实验时，得到了许多传统观察方法无法发现的有趣规律。这就像用高倍显微镜观察细胞结构一样，许多原本看不见的细节突然变得清晰可见。

在混乱觅食状态下，虽然鱼群整体看起来杂乱无章，但熵值分析揭示了隐藏的结构。速度关联熵始终维持在1.0左右，表明鱼群中任意两条鱼的游泳方向完全随机，没有相关性。但是，紧密程度熵却稳定在0.31左右，说明即使在混乱状态下，鱼群仍然维持着相对固定的个体间距分布。这个发现很重要，因为它表明即使是"混乱"的鱼群也不是完全无序的，而是在个体间距方面保持着一定的规律性，这可能与避免碰撞的本能有关。

环形游动状态展现了更加复杂的熵值变化模式。初始阶段，旋转贡献熵相对较低（0.74），表明大部分鱼对整体旋转的贡献比较均匀。但随着时间推移，这个数值逐渐升高，最终稳定在更高水平。同时，方向一致性熵从初始的接近1.0（完全随机）逐渐降低到0.39，显示出逐步对齐的过程。这种变化模式揭示了环形游动向平行游动转变的内在机制：并非所有鱼同时改变行为，而是先有一小部分"领头鱼"开始建立新的方向，然后其他鱼逐渐跟随。

动态平行状态的熵值分析结果最为有趣。虽然极化度（传统指标）显示鱼群高度对齐，但旋转贡献熵却出现周期性波动，标准差达到0.17。这种波动模式表明，鱼群在保持整体方向的同时，会周期性地进行"微调"——部分鱼会暂时偏离主要方向，探索新的可能路径，然后重新回到主流方向。这种行为类似于人类社会中的"试错学习"，体现了鱼群对环境变化的主动适应能力。

最令人惊叹的是高度平行状态的熵值特征。速度关联熵几乎降到了零，意味着所有鱼对的游泳方向都高度相关。形状变化熵降到0.28，表明鱼群形成了高度拉长的流线型结构。更重要的是，所有七个熵值指标在达到稳定状态后都表现出极低的波动性，这说明高度平行状态不仅是一种有序状态，更是一种高度稳定的状态。

通过比较四种状态的熵值特征，研究团队发现了一个重要规律：海洋群游指数能够准确区分传统方法无法区分的行为模式。比如，环形状态和动态平行状态在传统的极化度和旋转度指标上可能表现相似，但海洋群游指数却能清楚地将它们区分开来（0.44 vs 0.42）。这种精确的区分能力对于理解鱼群行为的微妙差异具有重要意义。

研究团队还发现，不同熵值指标之间存在有趣的相关关系。在所有四种状态中，紧密程度熵与速度关联熵都呈现负相关关系，这表明当鱼群个体间距越均匀时，它们的游泳方向就越趋向一致。这种关联性揭示了鱼群行为中一个重要的物理约束：空间组织和运动协调是相互关联的，不能单独优化。

六、技术创新带来的突破

这项研究不仅在理论认识上有所突破，在技术实现方面也取得了显著进展。研究团队解决了许多以往困扰科学家的技术难题，为后续研究奠定了坚实基础。

计算效率的提升是最重要的技术突破之一。传统的鱼群模拟程序通常需要在大型计算机或超级计算机上运行，普通研究者很难进行大规模实验。新的程序通过优化算法设计，实现了在普通工作站上进行复杂模拟的能力。研究团队在一台配备英特尔酷睿i7处理器的笔记本电脑上就完成了所有验证实验，每次模拟包含150-250条鱼、运行1000-2000个时间步长的完整实验，总计算时间控制在5-6分钟以内。

数据处理和存储技术也有重大改进。程序采用了国际标准的NetCDF4数据格式，这种格式专门为科学数据设计，不仅能够高效存储大量数值数据，还能保存完整的元数据信息，包括所有实验参数、随机数种子、软件版本等。这意味着任何研究者都可以精确重现实验结果，这对于科学研究的可重复性具有重要意义。

可视化技术的进步让复杂的数据变得直观易懂。程序能够生成高质量的三维动画，显示鱼群在虚拟海洋中的运动轨迹。更重要的是，所有七种熵值指标都能实时显示在动画中，研究者可以直观地看到鱼群行为模式的变化过程。这种视觉化能力大大提高了研究效率，也使得研究结果更容易与其他科学家交流。

模块化的软件架构设计让程序具有很强的扩展性。核心的动力学计算、诊断分析、数据处理和可视化被分离成独立的模块，研究者可以根据需要添加新的分析方法或修改现有算法。比如，如果要研究不同种类鱼类的混合群体行为，只需要修改个体参数设置模块；如果要加入海流或捕食者的影响，只需要在环境模块中添加相应功能。

程序的开放源代码特性也是一个重要创新。所有代码都在MIT许可证下公开发布，任何研究者都可以免费使用、修改和分发。这种开放性促进了科学界的合作交流，也确保了研究方法的透明性。同时，程序还提供了详细的用户手册和示例代码，降低了使用门槛。

兼容性设计让程序能够与现有的海洋学研究工具无缝对接。输出的数据格式遵循国际海洋数据标准，可以直接导入主流的海洋学分析软件。这种兼容性让鱼群行为研究能够更好地与海洋环境研究相结合，比如分析不同水温、盐度条件对鱼群行为的影响。

七、意想不到的发现和启示

在验证实验过程中，研究团队发现了一些出乎意料的现象，这些发现可能会改变我们对鱼群行为的传统认识。

最令人惊讶的发现是鱼群状态转换的"临界点"现象。研究团队发现，当环境噪声水平在某个特定阈值附近时，鱼群行为会表现出极强的敏感性。比如，将噪声强度从0.049提高到0.051（仅仅增加4%），就足以让鱼群从高度有序状态转变为动态协调状态。这种敏感性类似于物理学中的相变现象，就像水在0度时突然从液态变成固态一样。

这个发现对理解真实海洋中的鱼群行为具有重要意义。它暗示海洋环境中的微小变化——比如轻微的海流波动或水温变化——就可能触发鱼群行为模式的根本改变。这也解释了为什么渔民经常观察到鱼群行为的突然变化，以及为什么预测鱼群运动如此困难。

另一个意外发现涉及鱼群的"记忆效应"。研究团队发现，鱼群的当前状态不仅取决于当前的环境条件，还受到历史状态的影响。比如，一个从环形状态转变而来的平行游动鱼群，与一个从混乱状态转变而来的平行游动鱼群，在微观行为特征上存在细微但可测量的差异。这种记忆效应在传统的极化度和旋转度指标中几乎无法察觉，但在熵值分析中表现得非常明显。

研究还揭示了鱼群中"个体差异性"的重要作用。虽然所有虚拟鱼都使用相同的行为规则，但由于初始位置和随机扰动的不同，不同个体在群体中扮演着微妙不同的角色。一些鱼更倾向于成为"方向引导者"，率先调整游泳方向；另一些则更像"稳定器"，帮助维持群体的整体结构。这种自发的角色分化过程完全是涌现性的，没有任何外部设定，但却对群体行为的稳定性起到关键作用。

熵值分析还揭示了鱼群行为中的"多层次有序性"。以前的研究往往将鱼群行为简单地分类为"有序"或"无序"，但新的分析方法显示，鱼群可能在某些方面高度有序，同时在其他方面保持一定的无序性。比如，动态平行状态的鱼群在方向上高度一致（低方向熵），但在个体间距上却保持着较高的变异性（高邻居距离熵）。这种多层次的有序-无序共存状态可能对鱼群的环境适应能力至关重要。

研究团队还发现了鱼群形状演变的有趣规律。在不同的行为状态下，鱼群会自发地形成不同的三维形状：混乱状态趋向于球形或不规则云团状；环形状态形成扁平的圆盘状；动态平行状态表现为略微拉长的椭球形；而高度平行状态则形成细长的流线形。这些形状变化不是随意的，而是与游泳效率和环境适应性密切相关。

最有趣的发现可能是鱼群行为中的"涌现智能"现象。研究显示，即使每条鱼只遵循简单的局部规则，整个鱼群却能表现出复杂的全局智能行为。比如，鱼群能够自动避开障碍物、找到最优的游泳路径，甚至在面临复杂环境时表现出类似"决策"的行为。这种集体智能的出现完全基于个体之间的简单交互，没有任何中央控制或预先规划。

八、对未来研究的展望

这项研究为鱼群行为研究开辟了新的方向，也为相关领域的发展提供了有力工具。研究团队在论文中提出了几个重要的未来发展方向。

首先是异质性群体的研究。现实中的鱼群往往由不同大小、不同种类的鱼组成，它们的行为规则和能力参数可能存在显著差异。未来的研究可以在程序中引入这种个体差异，研究异质性如何影响群体行为。比如，当群体中混入少数"超级个体"（游泳能力更强或感知范围更大的鱼）时，整个群体的行为模式会如何改变。

海洋环境因素的整合是另一个重要方向。真实的海洋环境包含海流、温度梯度、氧气分布等复杂因素，这些都会影响鱼群的行为选择。研究团队计划在未来版本中加入这些环境模块，使模拟更加接近真实情况。特别是海流的影响，可能会显著改变鱼群的运动模式和能量消耗策略。

捕食者-猎物关系的研究也具有重要价值。鱼群的许多行为模式都与躲避捕食者有关，但目前的研究主要关注鱼群内部的协调机制。未来可以在系统中引入捕食者模型，研究鱼群如何通过集体行为来提高生存率，以及不同的逃避策略如何影响群体结构。

从应用角度看，这项研究对渔业管理具有重要价值。通过准确预测鱼群的行为模式，渔业管理者可以更好地制定捕捞策略，既保证渔业收益，又维护海洋生态平衡。比如，了解鱼群在不同季节、不同海域的行为规律，可以帮助设计更合理的禁渔期和禁渔区。

机器人群体技术是另一个重要的应用领域。鱼群的集体行为原理可以应用于无人机群、机器人群的协调控制。比如，海洋监测任务中的多个自主水下航行器可以借鉴鱼群的协调机制，实现更高效的区域覆盖和数据收集。

生态保护方面，这项研究有助于理解人类活动对海洋生物行为的影响。比如，船舶噪声、海洋开发等人为因素如何干扰鱼群的正常行为，以及如何通过调整人类活动来减少对海洋生态的影响。

从基础科学角度看，鱼群行为研究还可能为理解其他复杂系统提供启示。比如，神经网络中神经元的集体活动、金融市场中投资者的群体行为、甚至社交网络中信息的传播模式，都可能存在类似的涌现性规律。

研究团队还计划开发更加用户友好的图形界面版本，让非编程专业的生物学家和海洋学家也能轻松使用这个工具。这将大大扩展研究工具的使用范围，促进跨学科合作。

数据库建设也是未来发展的重要方向。研究团队计划建立一个开放的鱼群行为数据库，收集不同参数设置下的模拟结果，为比较研究提供标准数据集。这个数据库还可以与实际观测数据相结合，验证和改进理论模型。

说到底，这项研究最重要的贡献可能不仅仅是对鱼群行为的深入理解，更是为我们提供了一个研究复杂系统的新范式。通过将简单规则的个体行为与复杂的集体涌现现象联系起来，这项研究展示了如何用科学方法来理解看似神秘的自然现象。这种方法论的价值可能会远远超出海洋生物学领域，为人类理解自然界的复杂性提供新的工具和视角。

研究团队的工作表明，即使是最复杂的自然现象，也往往建立在相对简单的基础规律之上。关键在于找到合适的观察角度和分析工具。正如这项研究通过熵值分析揭示了鱼群行为的隐藏规律一样，科学进步往往来自于新工具和新方法的发展，而不仅仅是新数据的收集。对于那些对海洋生物学或复杂系统科学感兴趣的读者，可以通过论文编号arXiv:2602.07948v1查阅完整的研究内容和技术细节。

Q&A

Q1：dewi-kadita程序能模拟多少条鱼的行为？

A：dewi-kadita程序可以同时模拟150到250条鱼的复杂行为，每次完整实验包含1000-2000个时间步长，在普通工作站上5分钟内就能完成，这比传统方法快了10-100倍。程序使用了先进的即时编译技术来实现这种高效计算。

Q2：海洋群游指数是什么？

A：海洋群游指数是研究团队开发的一个综合评估指标，它将七种不同的熵值测量结果按权重组合成一个简单数字。指数越低表示鱼群越有序协调，指数越高表示越混乱。比如高度平行状态的指数是0.24，而混乱觅食状态的指数是0.71。

Q3：这项研究发现了鱼群的哪些行为模式？

A：研究发现了四种基本的鱼群行为模式：乱群状态（各自游动无统一方向，像没有音乐指导的舞蹈）、环形状态（围成大圆圈旋转游动，像溜冰场上手拉手转圈）、动态平行状态（大致同方向但偶有调整，像马拉松跑者队伍）、高度平行状态（严格统一方向和速度，像阅兵方阵）。