种群优化算法：杜鹃优化算法（COA）·进阶篇
◍ 布谷鸟算法的私有结构与初始化落点
这段 MQL5 代码把布谷鸟优化（COA）的核心状态收进了一个类的 private 区：巢穴数组、布谷鸟数量、巢数、蛋被宿主发现的概率 koef_pa，以及步长控制 koef_alpha。坐标维度用 coordinates 表示，优化参数有几维它就管几维，外汇或贵金属参数寻优时常见 3~10 维。 Init 函数负责把随机种子用 GetTickCount 打散，避免每次回测初始种群雷同；随后按 nestsP 和 cuckoosP 分别 ArrayResize 巢与布谷鸟数组，并给每个巢调用 Init(coordinates) 预分配坐标内存。注意 clutchEggs 初始为 false，eB 置为 -DBL_MAX，意味着最优适应度在首飞前尚未建立。 CuckooFlight 里若 clutchEggs 仍为 false，会先用 (rangeMax-rangeMin)*koef_alpha 算出每维步长 v[]，再逐只布谷鸟、逐坐标准备位移。这一步直接决定搜索跨度，koef_alpha 给大易跳过极值，给小则收敛慢——开 MT5 把 koef_alpha 从 0.5 调到 1.0 能直观看到种群散开速度变化。外汇与贵金属杠杆品种波动剧烈，参数寻优结果仅代表历史样本倾向，实盘仍属高风险。
class="kw">private: class="type">class="kw">double Scale(class="type">class="kw">double In, class="type">class="kw">double InMIN, class="type">class="kw">double InMAX, class="type">class="kw">double OutMIN, class="type">class="kw">double OutMAX, class="type">bool Revers); class="kw">private: S_Nest nests []; class=class="str">"cmt">//nests class="kw">private: class="type">int cuckoosNumber; class=class="str">"cmt">//number of cuckoos class="kw">private: class="type">int nestsNumber; class=class="str">"cmt">//number of cuckoo nests class="kw">private: class="type">class="kw">double koef_pa; class=class="str">"cmt">//probability of detection of cuckoo eggs class="kw">private: class="type">class="kw">double koef_alpha; class=class="str">"cmt">//step control value class="kw">private: class="type">class="kw">double v []; class="kw">private: class="type">int coordinates; class=class="str">"cmt">//coordinates number class="kw">private: class="type">bool clutchEggs; class=class="str">"cmt">//clutch of eggs }; class="type">void C_AO_COA::Init(const class="type">int coordinatesP, class=class="str">"cmt">//number of opt. parameters const class="type">int cuckoosP, class=class="str">"cmt">//number of cuckoos const class="type">int nestsP, class=class="str">"cmt">//number of cuckoo nests const class="type">class="kw">double koef_paP, class=class="str">"cmt">//probability of detection of cuckoo eggs const class="type">class="kw">double koef_alphaP) class=class="str">"cmt">//step control value { MathSrand(GetTickCount()); clutchEggs = false; eB = -DBL_MAX; coordinates = coordinatesP; cuckoosNumber = cuckoosP; nestsNumber = nestsP; koef_pa = koef_paP; koef_alpha = koef_alphaP; ArrayResize(nests, nestsNumber); for (class="type">int i = class="num">0; i < nestsNumber; i++) { nests [i].Init(coordinates); } ArrayResize(rangeMax, coordinates); ArrayResize(rangeMin, coordinates); ArrayResize(rangeStep, coordinates); ArrayResize(cB, coordinates); ArrayResize(v, coordinates); ArrayResize(cuckoos, cuckoosNumber); for (class="type">int i = class="num">0; i < cuckoosNumber; i++) { ArrayResize(cuckoos [i].c, coordinates); } } class="type">void C_AO_COA::CuckooFlight() { if (!clutchEggs) { for (class="type">int i = class="num">0; i < coordinates; i++) v [i] = (rangeMax [i] - rangeMin [i]) * koef_alpha; for (class="type">int i = class="num">0; i < cuckoosNumber; i++) { for (class="type">int c = class="num">0; c < coordinates; c++)
「布谷鸟搜索里的蛋位更新与寄生逻辑」
这段 C_AO_COA 类的代码实现了布谷鸟优化算法中两类关键动作：新蛋坐标的生成，以及寄生产卵时与宿主巢的胜负替换。前者在初始化或全局探索时直接用区间随机值铺满坐标，后者在迭代中利用莱维飞行步长做局部扰动。 当 clutchEggs 为 false 时，算法进入莱维飞行分支：对每个布谷鸟的每一维坐标，先取 [0,1] 均匀随机数 r1，大于 0.5 则步长方向为 +1 否则为 -1；再取 [1,20] 的 r2 作为幂次基，按 pow(r2,-2.0) 缩放当前维速度 v[c]。这种幂律尾分布让步长偶尔很大，倾向跳出局部劣解。 LayEggs 函数先把每只布谷鸟随机映射到某个巢（ind = round(RNDfromCI(0, nestsNumber-1))），若布谷鸟适应度 cuckoos[i].e 优于该巢 nests[ind].e，就整体拷贝坐标并刷新巢适应度；同时跟踪全局最优 eB 与 cB。否则布谷鸟直接继承巢的坐标，相当于被宿主同化。 巢的随机废弃由 koef_pa 控制：遍历巢时若均匀随机数小于该系数，就把对应巢适应度置为 -DBL_MAX，下一轮会被重新填充。在 MT5 里把 koef_pa 从 0.25 调到 0.1，可见收敛轨迹明显更黏滞，适合参数空间平坦的外汇均线组合寻优，但外汇与贵金属杠杆交易本身高风险，回测优解不代表实盘概率占优。
{
cuckoos [i].c [c] = RNDfromCI(rangeMin [c], rangeMax [c]);
cuckoos [i].c [c] = SeInDiSp(cuckoos [i].c [c], rangeMin [c], rangeMax [c], rangeStep [c]);
}
}
clutchEggs = true;
}
else
{
class="type">class="kw">double r1 = class="num">0.0;
class="type">class="kw">double r2 = class="num">0.0;
for (class="type">int i = class="num">0; i < cuckoosNumber; i++)
{
for (class="type">int c = class="num">0; c < coordinates; c++)
{
r1 = RNDfromCI(class="num">0.0, class="num">1.0);
r1 = r1 > class="num">0.5 ? class="num">1.0 : -class="num">1.0;
r2 = RNDfromCI(class="num">1.0, class="num">20.0);
cuckoos [i].c [c] = cuckoos [i].c [c] + r1 * v [c] * pow(r2, -class="num">2.0);
cuckoos [i].c [c] = SeInDiSp(cuckoos [i].c [c], rangeMin [c], rangeMax [c], rangeStep [c]);
}
}
}
}
class=class="str">"cmt">//——————————————————————————————————————————————————————————————————————————————
class=class="str">"cmt">//——————————————————————————————————————————————————————————————————————————————
class="type">void C_AO_COA::LayEggs()
{
class="type">int ind = class="num">0;
class=class="str">"cmt">//^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
for (class="type">int i = class="num">0; i < cuckoosNumber; i++)
{
ind = (class="type">int)round(RNDfromCI(class="num">0.0, nestsNumber - class="num">1));
if (cuckoos [i].e > nests [ind].e)
{
nests [ind].e = cuckoos [i].e;
ArrayCopy(nests [ind].c, cuckoos [i].c, class="num">0, class="num">0, WHOLE_ARRAY);
if (cuckoos [i].e > eB)
{
eB = cuckoos [i].e;
ArrayCopy(cB, cuckoos [i].c, class="num">0, class="num">0, WHOLE_ARRAY);
}
}
else
{
ArrayCopy(cuckoos [i].c, nests [ind].c, class="num">0, class="num">0, WHOLE_ARRAY);
}
}
class=class="str">"cmt">//vvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvv
for (class="type">int n = class="num">0; n < nestsNumber; n++)
{
if (RNDfromCI(class="num">0.0, class="num">1.0) < koef_pa)
{
nests [ind].e = -DBL_MAX;
}
}
}杜鹃搜索在 EURUSD 回测台上的收敛表现
在 MT5 策略测试器里跑 Test_AO_COA_fast（EURUSD, M1），每个测试函数迭代 10000 次，结果很直白：1 个变量的 Skin 函数得分 1.00000，500 个变量的同函数得分掉到 0.14849；Megacity 函数从 1 变量满分跌到 500 变量时 0.03400。Levy 飞行杜鹃搜索在双变量平滑和离散函数上能拿到 100% 收敛，但变量一多，评分就崩。 原版算法有个毛病：行为像多变量随机游走，视觉上就是旧电视白噪声，只在迭代末尾才看出极值坐标集中。我加了一个坐标变更概率参数，让部分维度按概率保持不变，改名叫 COAm，重跑一遍。 改进后 All score for C_AO_COAm 从 0.50763 微升到 0.51256；500 变量 Forest 函数得分从 0.04321 提到 0.04551，Megacity 500 变量从 0.03400 到 0.03537。可视化里白噪声明显「晶化」，坐标集中中心开始移动。外汇与贵金属优化属高风险，参数敏感度可能随品种和周期漂移，上述数字仅在 EURUSD M1 该次回测中有效。 别把满分当泛化能力。杜鹃搜索在 1 变量函数满分，不代表千变量实盘能用；GWO 在 1000 变量 Skin 上仍领先，选算法得按自己项目的变量规模挑，而不是盯着总评分表。
◍ 别急着下结论
上面那张横评表里，杜鹃优化（COA）在 Skin、Forest、Megacity 三类测试函数上，2 参数场景拿满 1.00000，40 参数场景最佳 0.85911，1000 参数 Megacity 离散函数仍有 0.03537，综合均值 0.51255778，压过蚁群 0.49805222 和蜂群 0.46106556。它靠 Levy 飞行的无限方差跳跃做全局探索，比高斯随机游走更不容易卡在局部极值，这对 MT5 里参数维度动辄上百的 EA 寻优有直接价值。 不过表里的随机基线（RND）在 1000 参数 Megacity 也只有 0.02403，说明高维离散空间本身极难搜，COA 只是相对占优，不是通杀。实盘外汇和贵金属杠杆高、跳空频繁，任何优化器给出的参数集都只是历史样本上的概率倾向，须用 MT5 内置策略测试器多品种多周期重跑验证。 真要换引擎，MT5 目前并未原生暴露 COA 接口，得借 OnTester 自写或挂作者开源库；下面几行是已实现的其它元启发式切换调用，先跑通它们再谈替换。
OptimizerSetEngine("ACO"); class=class="str">"cmt">// 蚂蚁群优化 OptimizerSetEngine("COA"); class=class="str">"cmt">// cuckoo 优化算法 OptimizerSetEngine("ABC"); class=class="str">"cmt">// 人工蜂群 OptimizerSetEngine("GWO"); class=class="str">"cmt">// 灰狼优化器 OptimizerSetEngine("PSO"); class=class="str">"cmt">// 粒子群优化