群体优化算法：混合蛙跳算法（SFL）·综合运用
局部极值判定与数组洗牌的实现细节
在青蛙算法（Frog Leaping）的 memeplex 更新循环里，frogStep 与 frogStepsToLocalMax 的关系直接决定个体是继续局部搜索还是被强制重置。当 frogStep 未超过阈值时，只要当前适应度 f 优于前次 fPrev，就把 fPrev 刷新为 f、用 ArrayCopy 把当前坐标 c 整组拷进 cPrev，并将 frogStep 归零，相当于确认了一次有效的局部前进。 一旦 frogStep 越过阈值，逻辑分两层：若再超出 1 步（即 >= frogStepsToLocalMax + 1）且 f 仍创新高，同样执行刷新并归零；否则进入 else 分支，把 f、fPrev 都置为 -DBL_MAX、frogStep 归零，等于把这个青蛙的局部记忆清空，防止它在失效区域空转。外汇与贵金属行情跳变频繁，这类重置机制能降低劣质局部解对种群的污染，但参数敏感，实盘前需在 MT5 策略测试器里跑多品种验证。 Shuffle 函数负责把整数数组 arr 做 Fisher–Yates 洗牌：从尾到头，每次用 MathRand() % (i+1) 取一个 0~i 的随机下标，与当前位交换。size 为数组长度，循环到 i=1 为止。这段代码无返回值，直接通过引用修改原数组。 别把重置阈值当常量写死 frogStepsToLocalMax 若固定取 5 或 10，在 EURUSD 的 M15 与 XAUUSD 的 H1 上表现可能分化明显。建议开 MT5 把该变量接进输入参数，用优化器扫一遍 3~15 的区间，观察种群收敛步数再定。
if (mems [m].frogs [frgs].frogStep <= frogStepsToLocalMax) { if (mems [m].frogs [frgs].f > mems [m].frogs [frgs].fPrev) { mems [m].frogs [frgs].fPrev = mems [m].frogs [frgs].f; ArrayCopy(mems [m].frogs [frgs].cPrev, mems [m].frogs [frgs].c, class="num">0, class="num">0, WHOLE_ARRAY); mems [m].frogs [frgs].frogStep = class="num">0; } } else { if (mems [m].frogs [frgs].frogStep >= frogStepsToLocalMax + class="num">1) { if (mems [m].frogs [frgs].f > mems [m].frogs [frgs].fPrev) { mems [m].frogs [frgs].fPrev = mems [m].frogs [frgs].f; ArrayCopy(mems [m].frogs [frgs].cPrev, mems [m].frogs [frgs].c, class="num">0, class="num">0, WHOLE_ARRAY); mems [m].frogs [frgs].frogStep = class="num">0; } } else { mems [m].frogs [frgs].f = -DBL_MAX; mems [m].frogs [frgs].fPrev = -DBL_MAX; mems [m].frogs [frgs].frogStep = class="num">0; } } cnt++; } } } class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class="type">void Shuffle(class="type">int & arr [], class="type">int size) { class="type">int index, temp; for (class="type">int i = size - class="num">1; i > class="num">0; i--) { index = MathRand() % (i + class="num">1); temp = arr [i]; arr [i] = arr [index]; arr [index] = temp; } } class=class="str">"cmt">//——————————————————————————————————————————————————————————————————————————————
「SFL 在三类测试函数上的实测表现」
把混合蛙跳（SFL）塞进标准测试场跑了一遍：参数组设为 5 / 25 / 500 个优化变量，每种函数各跑 10000 次。Rastrigin 光滑函数上，5 变量组得分 0.82429、500 变量组掉到 0.55211；Forest 弯曲函数同组别从 0.32597 跌至 0.02810；Megacity 离散函数更弱，500 变量组仅 0.02503。三项总评分 2.84501，单看 SFL 自身不算崩，但横向一比就露怯。 观察代理点动画时，预期会看到的模因聚类完全没出现，青蛙在整个解空间里乱跳、没有可辨识的运动模式。收敛图上一截截长而平滑的线段，就是陷进局部极值的直接证据；不过随优化参数从 5 涨到 500，「步进」式跳动确实在变少，说明维度高了反而更安静——安静得不像在搜优。 拉一张 15 个算法的横评表（满分按各函数最佳归一，总评以 GWO=1.000 为基准）：SSG 100.000、HS 92.329 排前，SFL 只拿 15.203，压在 MA（13.603）、FSS（12.655）、PSO（10.031）头上，比随机搜索的 5.302 好一点有限。Forest 和 Megacity 上 SFL 的 500 变量得分分别仅 0.02810 与 0.02503，原因很直白——平坦地形里跳蛙不升反回，抓不住地貌特征。 外汇与贵金属 EA 参数寻优属高风险实验，回测分数高不等于实盘能跑；SFL 这类群体算法建议只在光滑目标函数上小参数组试水，弯曲或离散约束下换 SSG / HS 更稳。
◍ 把SFL当配件而非引擎
混合蛙跳（SFL）本质上更像是一层调度逻辑，而不是能单挑全局优化的底层引擎。原始设计意图是给已有算法做质量增强，在前面几篇跑过的标准测试集里，它作为独立优化器拿到的评级分布在0到100区间，整体处于中下水平，图3的直方图能直接看出长尾偏左。 它的可玩点在「模因复合体」：你能在青蛙族群移动的步骤里塞进别的优化器，用低外部参数（仅少数几个）换来架构弹性。代价也硬——计算复杂度高，碰到平滑或离散函数容易掉链子，在过于平坦的响应面上会直接卡死不动。 附带的17_The_world_of_AO_SFL.zip（143.2 KB）里有可跑脚本，档案同时收着前几篇算法的最新版代码。想验证SFL弱点，把测试函数换成Rastrigin这类多峰离散面，MT5里跑一遍直方图就能看到评级塌方。外汇与贵金属品种参数面常带平板区，直接套SFL可能陷入局部不动点，实盘前务必离线压力测试。 下面这段工厂注册代码是SFL测试框架的骨架，把所有待测函数对象在初始化阶段一次性建好工厂： static FunctionInstance *pointers[] = {C_Function::fabric<C_Skin>(), C_Function::fabric<C_Forest>(), C_Function::fabric<C_Megacity>(), C_Function::fabric<C_Rastrigin>(), C_Function::fabric<C_Universe>()}; 逐行看：static数组在加载期分配，五个fabric模板调用分别对应Skin、Forest、Megacity、Rastrigin、Universe测试面，每个返回函数实例指针；注意工厂常驻而非按需创建，程序生命周期内类型固定，想加新面得改这行重编译。
class="kw">static FunctionInstance *pointers[] = {C_Function::fabric<C_Skin>(), C_Function::fabric<C_Forest>(), C_Function::fabric<C_Megacity>(), C_Function::fabric<C_Rastrigin>(), C_Function::fabric<C_Universe>()};