种群优化算法：灰狼优化器（GWO）（基础篇）
灰狼优化器在 MT5 里的定位
种群优化算法里，灰狼优化器（GWO）用狼群等级与围猎机制做参数搜索，相比网格遍历更省算力，适合 EA 里多参数寻优。 MT5 端已有作者 Andrey Dik 在 2023 年 4 月 11 日发布示例，原文记录浏览量 2071、评论 3 条，说明这类算法在量化社群有真实落地需求。 外汇与贵金属波动受杠杆与跳空影响，任何优化结果都只是历史样本拟合，实盘存在显著高风险，参数迁移前务必在策略测试器重跑。
「灰狼算法的阶层狩猎映射」
灰狼优化算法（GWO）由 Mirjalili 等人在 2014 年提出，本质是一类元启发式随机群体智能方法，其核心是把狼群狩猎行为转写成数学搜索流程。狼群被硬性划分为四个等级：阿尔法、贝塔、德尔塔、欧米茄，权重依次递减，欧米茄在群体里只配最后进食，对应解空间里最无关紧要的残差。 算法把当前最优解直接等同于阿尔法狼，第二、第三优解分别映射为贝塔和德尔塔，剩下所有候选解都是欧米茄。每完成一次位置更新，就重新评估谁离“猎物”（即目标函数值更优）最近，狼群等级当场重排，这种动态编队会一直跑，直到整群收敛到最小包围距离再发起攻击。 一次完整迭代拆成三步：搜索、包围、攻击。搜索阶段先辨认出阿尔法/贝塔/德尔塔这三匹离猎物最近的狼；其余个体要么跟着头狼包围，要么继续随机游走找更优位置。对外汇或贵金属参数寻优来说，这种机制大概率能跳出局部极值，但群体智能本身不保证收敛，实盘调参仍是高风险动作。
◍ 灰狼算法的阶层与三阶段狩猎逻辑
灰狼优化把解按质量分四层：最优的 α（阿尔法）、次优的 β（贝塔）、第三的 δ（德尔塔），其余皆归为 ω（欧米茄）。每层狼不是固定身份，而是每代按适应度重排后由数组位置决定，前段即主导者。 算法每代跑三个阶段：搜索、包围、攻击。核心是一个叫 a 的比率，它随迭代非线性递减直至 0。a>1 时猎物位置未知，狼群随机散布做全局搜索；a=1 切入攻击，a→0 时狼群收拢到猎物坐标附近，代表可能已逼近最优。 ω 狼的行为在所有世代一致：跟随当前 α/β/δ 位置的几何中心移动，但带一定随机偏离概率，偏离半径正比于 a。图例显示 α/β/δ 会按系数在随机方向偏离旧位，ω 则向它们中心靠。 我改写的版本比规范版多一个实用点：可设主导狼数量，上限为整个狼群规模。这对某些窄参数空间的优化任务可能更顺手。 代码里狼就是个轻量结构，只存坐标数组 c[] 和猎物值 p。狼群用 C_AO_GWO 类封装，声明了参数范围、步长、最佳坐标 cB 与最佳值 pB，以及每代调用的 TasksForWolves 和 RevisionAlphaStatus。InitPack 接收坐标数、狼数、主导狼数、总代数四个参数。 公开方法 TasksForWolves 是体量最大的主逻辑：首代 a>1 时依参数最大最小值随机发狼；后续代按 α/β/δ 算 ω 新位，表达式 Xn += wolves[abd].c[c] - Ai*(Ci*wolves[abd].c[c] - wolves[w].c[c])，其中 Ai=2.0*a*r1-a、Ci=2.0*r2，r1/r2 为 [0,1] 随机。主导者则在循环中围猎物转圈，远近似由 a 控制。
<span class="comment">class=class="str">"cmt">//——————————————————————————————————————————————————————————————————————————————</span> <span class="keyword">class="kw">struct</span> S_Wolf { <span class="keyword">class="type">class="kw">double</span> c []; <span class="comment">class=class="str">"cmt">//coordinates</span> <span class="keyword">class="type">class="kw">double</span> p; <span class="comment">class=class="str">"cmt">//prey</span> }; <span class="comment">class=class="str">"cmt">//——————————————————————————————————————————————————————————————————————————————</span> <span class="comment">class=class="str">"cmt">//——————————————————————————————————————————————————————————————————————————————</span> <span class="keyword">class</span> C_AO_GWO <span class="comment">class=class="str">"cmt">//wolfpack</span> { <span class="comment">class=class="str">"cmt">//============================================================================</span> <span class="keyword">class="kw">public</span>: <span class="keyword">class="type">class="kw">double</span> rangeMax []; <span class="comment">class=class="str">"cmt">//maximum search range</span> <span class="keyword">class="kw">public</span>: <span class="keyword">class="type">class="kw">double</span> rangeMin []; <span class="comment">class=class="str">"cmt">//manimum search range</span> <span class="keyword">class="kw">public</span>: <span class="keyword">class="type">class="kw">double</span> rangeStep []; <span class="comment">class=class="str">"cmt">//step search</span> <span class="keyword">class="kw">public</span>: S_Wolf wolves []; <span class="comment">class=class="str">"cmt">//wolves of the pack</span> <span class="keyword">class="kw">public</span>: <span class="keyword">class="type">class="kw">double</span> cB []; <span class="comment">class=class="str">"cmt">//best prey coordinates</span> <span class="keyword">class="kw">public</span>: <span class="keyword">class="type">class="kw">double</span> pB; <span class="comment">class=class="str">"cmt">//best prey</span> <span class="keyword">class="kw">public</span>: <span class="keyword">class="type">void</span> InitPack(<span class="keyword">class="kw">const</span> <span class="keyword">class="type">int</span> coordinatesP, <span class="comment">class=class="str">"cmt">//number of opt. parameters</span> <span class="keyword">class="kw">const</span> <span class="keyword">class="type">int</span> wolvesNumberP, <span class="comment">class=class="str">"cmt">//wolves number</span> <span class="keyword">class="kw">const</span> <span class="keyword">class="type">int</span> alphaNumberP, <span class="comment">class=class="str">"cmt">//alpha beta delta number</span> <span class="keyword">class="kw">const</span> <span class="keyword">class="type">int</span> epochCountP); <span class="comment">class=class="str">"cmt">//epochs number</span> <span class="keyword">class="kw">public</span>: <span class="keyword">class="type">void</span> TasksForWolves (<span class="keyword">class="type">int</span> epochNow); <span class="keyword">class="kw">public</span>: <span class="keyword">class="type">void</span> RevisionAlphaStatus(); <span class="comment">class=class="str">"cmt">//============================================================================</span> <span class="keyword">class="kw">private</span>: <span class="keyword">class="type">void</span> ReturnToRange(S_Wolf &wolf); <span class="keyword">class="kw">private</span>: <span class="keyword">class="type">void</span> SortingWolves(); <span class="keyword">class="kw">private</span>: <span class="keyword">class="type">class="kw">double</span> SeInDiSp (<span class="keyword">class="type">class="kw">double</span> In, <span class="keyword">class="type">class="kw">double</span> InMin, <span class="keyword">class="type">class="kw">double</span> InMax, <span class="keyword">class="type">class="kw">double</span> Step);
灰狼优化器的成员结构与冷启动撒点
类里把狼群算法的关键状态都收在 private 段：coordinates 记优化参数维度，wolvesNumber 是种群规模，alphaNumber 控制头狼（α/β/δ）保留数量，epochCount 决定迭代轮数。临时数组 wolvesT、ind、val 专门给排序换狼用，searching 标志位区分「还没探过空间」和「迭代中」两种阶段。 InitPack 负责把外部传进来的维度、狼数、头狼数、迭代轮数落进成员变量，并用 ArrayResize 给 rangeMax/rangeMin/rangeStep/cB 以及每只狼的位置数组 c 按 coordinates 维度开好内存。注意 pB 和每只狼的 p 都先置为 -DBL_MAX，意味着初始最优适应度是负无穷，任何一次评估都会刷新它。 冷启动逻辑看 searching 标志：若为 false，就对所有狼的所有坐标调用 RNDfromCI 在 [rangeMin, rangeMax] 内随机撒点，再经 SeInDiSp 对齐到离散网格步长。撒完把 searching 置 true 并 return，此后才进入正式围猎迭代。外汇与贵金属参数优化属高风险场景，回测过拟合概率偏高，实盘前务必做样本外验证。 想验证这套初始化，把 wolvesNumber 设 30、coordinates 设 5，在 MT5 里跑 InitPack 后打印 wolves[w].c 数组，能看到 30 只狼各自落在参数区间内的离散坐标上。
class="kw">private: class="type">class="kw">double RNDfromCI(class="type">class="kw">double Min, class="type">class="kw">double Max); class="kw">private: class="type">int coordinates; class=class="str">"cmt">//coordinates number class="kw">private: class="type">int wolvesNumber; class=class="str">"cmt">//the number of all wolves class="kw">private: class="type">int alphaNumber; class=class="str">"cmt">//Alpha beta delta number of all wolves class="kw">private: class="type">int epochCount; class="kw">private: S_Wolf wolvesT []; class=class="str">"cmt">//temporary, for sorting class="kw">private: class="type">int ind []; class=class="str">"cmt">//array for indexes when sorting class="kw">private: class="type">class="kw">double val []; class=class="str">"cmt">//array for sorting class="kw">private: class="type">bool searching; class=class="str">"cmt">//searching flag }; class="type">void C_AO_GWO::InitPack(class="kw">const class="type">int coordinatesP, class=class="str">"cmt">//number of opt. parameters class="kw">const class="type">int wolvesNumberP, class=class="str">"cmt">//wolves number class="kw">const class="type">int alphaNumberP, class=class="str">"cmt">//alpha beta delta number class="kw">const class="type">int epochCountP) class=class="str">"cmt">//epochs number { MathSrand(GetTickCount()); searching = class="kw">false; pB = -DBL_MAX; coordinates = coordinatesP; wolvesNumber = wolvesNumberP; alphaNumber = alphaNumberP; epochCount = epochCountP; ArrayResize(rangeMax, coordinates); ArrayResize(rangeMin, coordinates); ArrayResize(rangeStep, coordinates); ArrayResize(cB, coordinates); ArrayResize(ind, wolvesNumber); ArrayResize(val, wolvesNumber); ArrayResize(wolves, wolvesNumber); ArrayResize(wolvesT, wolvesNumber); for (class="type">int i = class="num">0; i < wolvesNumber; i++) { ArrayResize(wolves [i].c, coordinates); ArrayResize(wolvesT [i].c, coordinates); wolves [i].p = -DBL_MAX; wolvesT [i].p = -DBL_MAX; } } class=class="str">"cmt">//space has not been explored yet, then send the wolf in a random direction if (!searching) { for (class="type">int w = class="num">0; w < wolvesNumber; w++) { for (class="type">int c = class="num">0; c < coordinates; c++) { wolves [w].c [c] = RNDfromCI(rangeMin [c], rangeMax [c]); wolves [w].c [c] = SeInDiSp(wolves [w].c [c], rangeMin [c], rangeMax [c], rangeStep [c]); } } searching = true; class="kw">return; }