SIA 退火算法的种群优化思路
◍ SIA 退火算法的种群优化思路
模拟各向同性退火（SIA）属于种群优化算法的一类，核心是用一组候选解在解空间里同步做各向同性扰动，再按适应度做选择，避免单点模拟退火容易陷进局部极值的毛病。 在 MT5 里跑这类算法，通常把参数寻优目标写成适应度函数，让种群在每代保持一定多样性。作者 Andrey Dik 在 2024 年 7 月 24 日发布的示例帖，截至统计有 1 049 次查看、8 条讨论，说明这类非传统优化器在实盘圈有稳定关注度。 原文将内容拆成概述、算法、测试结果三块，本小节只交代前两块定位：概述讲动机，算法讲各向同性扰动与选择算子的具体形式，后续测试结果节再用历史行情验证。外汇与贵金属市场高杠杆、高波动，任何优化器给出的参数都只是历史拟合，实盘前必须用 MT5 策略测试器重跑。
模拟退火的三块基石与调参暗坑
模拟退火（SA）的底层逻辑只有三件事：往搜索里掺随机性、允许接受更差的决策、再让接受坏解的概率随“温度”下降。随机性负责铺开探索面，坏解接受度让算法能暂时跳出局部洼地，温度冷却则把搜索从广撒网收束到精修解。 它的命名来自金属退火——烧热的金属慢慢降温，内部结构重组；算法也一样，从高温（容易接纳劣解）起步，逐渐降温（劣解接纳概率走低），倾向收敛到更优解。初始解可随机也可继承上轮，状态变更可以是纯随机或受控扰动，是否被接受由冷却函数给出的概率决定。 真正卡交易者脖子的是两个参数：初始温度与冷却比。它们互相抵消——升温几乎能被调低冷却比替代，且对最终解质量影响极大却无显式规律，只能靠实验试出来。我们实测中把优化函数步长设为 0，条件异常苛刻；能在这种设定下跑赢的算法，在较简单实盘问题上表现更好的概率显著提升。 另一个硬限制是组合爆炸：10 个变量各取 10 个值，理论组合 10^10（100 亿），而我们适应度函数只跑约 10000 次。变量一多，搜索空间复杂度指数级膨胀，SA 在大变量规模下的效率是实打实的弱点。外汇与贵金属优化属高风险实验，回测优异不承诺实盘收益。
「正态分布与各向同性对退火搜索的拉扯」
把 SA 里生成新状态的均匀分布随机数直接换成正态变量，直觉上像是让搜索更聚焦，实测却拖了后腿。原参考 C_AO_SA 在 5/25/500 组 Rastrigin 上得分 0.81510 / 0.64746 / 0.50060，总评 2.83750；换成正态扩散（Diffusion 方法限定 ±2 标准差）后同条件总评掉到 2.53305，Rastrigin 各项得分同步下滑到 0.75581 / 0.59467 / 0.49569。 正态峰值压在均值附近，远离坐标的步长概率骤降，算法变成局部游走的倾向明显。在金属退火隐喻里，这等于分子只在原位置附近抖动，丧失了均匀撒网探索晶格远区的机会，统计上显见恶化，加大 sigma 只会更糟。 反向操作反而开窍：在 Moving 里引入各向同性，让种群个体按适应度择优复制对方坐标，再叠一个 [-0.1,0.1] 的均匀随机增量。C_AO_SIA:50:1000.0:0.1:0.1 的总评飙到 5.45188，Rastrigin 5 组得分 0.99774，几乎吃满。能量在个体间被摊平，局部极小被绕开的概率提高。 先加各向同性、再叠正态增量（参数 0.05）总评回撤到 4.43177。均匀底噪已被证明够用，正态的‘锐化’二次限制探索半径，没带来预期增益。外汇与贵金属模型若借用该思路做参数寻优，须清醒：历史回测的得分差不代表实盘胜率，杠杆品种的高风险不会因算法改良消失。
◍ 均匀分布平方反而拖垮评分
把均匀分布的随机变量直接平方，对模拟退火寻优没有正向作用，性能衰减比用正态分布还狠。上面三组基准里，Forest 函数在 500 维设定下得分仅 0.03226，Megacity 在同样维度掉到 0.02480，整体加权总分 3.29667，说明这种变换把搜索空间搅得更难收敛。 为了绕开模拟退火老痛点——温度与降温比互相耦合、参数难调，可以把温度下降函数和接受劣解概率并成一条公式：用 (1 - delta) * (acosh (-(x^3 - 3))) / 1.765，其中 delta 是末两次迭代适应度差归一化到 [0,1]，x 是常规化世代步长。这样两个旋钮合成一个依赖关系，调参自由度降一截。 下面这段是扩散算子的实际写法，核心是用 Box-Muller 抽正态再截断到 ±sigma（这里硬写 2.0），再按当前坐标向上下区间缩放。外层两段循环分别做个体扰动和基于历史适应度的交叉回填，最后叠一个 ±0.1 比例的随机微扰。 开 MT5 把 sigma 从 2.0 改成 8.58 注释里的值跑一遍，Rastrigin 5 维得分可能从 0.87027 往上走，但维度一高依旧容易塌。外汇与贵金属参数优化属高风险，回测得分不等于实盘鲁棒。
<span class="comment">class=class="str">"cmt">//——————————————————————————————————————————————————————————————————————————————</span> <span class="keyword">class="type">class="kw">double</span> C_AO_SIA::Diffusion(<span class="keyword">const</span> <span class="keyword">class="type">class="kw">double</span> <span class="keyword"></span>value, <span class="keyword">const</span> <span class="keyword">class="type">class="kw">double</span> rMin, <span class="keyword">const</span> <span class="keyword">class="type">class="kw">double</span> rMax, <span class="keyword">const</span> <span class="keyword">class="type">class="kw">double</span> step) { <span class="keyword">class="type">class="kw">double</span> logN = <span class="number">class="num">0.0</span>; <span class="keyword">class="type">class="kw">double</span> u1 = RNDfromCI(<span class="number">class="num">0.0</span>, <span class="number">class="num">1.0</span>); <span class="keyword">class="type">class="kw">double</span> u2 = RNDfromCI(<span class="number">class="num">0.0</span>, <span class="number">class="num">1.0</span>); logN = u1 <= <span class="number">class="num">0.0</span> ? <span class="number">class="num">0.000000000000001</span> : u1; <span class="keyword">class="type">class="kw">double</span> z0 = sqrt(-<span class="number">class="num">2</span> * log(logN))* cos(<span class="number">class="num">2</span> * M_PI * u2); <span class="keyword">class="type">class="kw">double</span> sigma = <span class="number">class="num">2.0</span>;<span class="comment">class=class="str">"cmt">//Sigma > class="num">8.583864105157389 ? class="num">8.583864105157389 : Sigma;</span> <span class="keyword">if</span> (z0 >= sigma) z0 = RNDfromCI(<span class="number">class="num">0.0</span>, sigma); <span class="keyword">if</span> (z0 <= -sigma) z0 = RNDfromCI(-sigma, <span class="number">class="num">0.0</span>); <span class="keyword">class="type">class="kw">double</span> dist = d * (rMax - rMin); <span class="keyword">if</span> (z0 >= <span class="number">class="num">0.0</span>) <span class="keyword">class="kw">return</span> Scale(z0, <span class="number">class="num">0.0</span>, sigma, <span class="keyword">value</span>, <span class="keyword">value</span> + dist, <span class="keyword">class="kw">false</span>); <span class="keyword">else</span> <span class="keyword">class="kw">return</span> Scale(z0, -sigma, <span class="number">class="num">0.0</span>, <span class="keyword">value</span> - dist, <span class="keyword">value</span>, <span class="keyword">class="kw">false</span>); } <span class="comment">class=class="str">"cmt">//——————————————————————————————————————————————————————————————————————————————</span> <span class="keyword">for</span> (<span class="keyword">class="type">int</span> i = <span class="number">class="num">0</span>; i < popSize; i++) { <span class="keyword">for</span> (<span class="keyword">class="type">int</span> c = <span class="number">class="num">0</span>; c < coords; c++) { a [i].c [c] = Diffusion(a [i].c [c], rangeMin [c], rangeMax [c], rangeStep [c]); a [i].c [c] = SeInDiSp (a [i].c [c], rangeMin [c], rangeMax [c], rangeStep [c]); } } <span class="keyword">class="type">int</span> r = <span class="number">class="num">0</span>; <span class="keyword">class="type">class="kw">double</span> rnd = <span class="number">class="num">0.0</span>; <span class="keyword">for</span> (<span class="keyword">class="type">int</span> i = <span class="number">class="num">0</span>; i < popSize; i++) { <span class="keyword">for</span> (<span class="keyword">class="type">int</span> c = <span class="number">class="num">0</span>; c < coords; c++) { r = (<span class="keyword">class="type">int</span>)RNDfromCI(<span class="number">class="num">0</span>, popSize); <span class="keyword">if</span> (r >= popSize) r = popSize - <span class="number">class="num">1</span>; <span class="keyword">if</span> (a [r].fPrev > a [i].fPrev) { a [i].c [c] = a [r].cPrev [c]; } <span class="keyword">else</span> { a [i].c [c] = a [i].cPrev [c]; } rnd = RNDfromCI(-<span class="number">class="num">0.1</span>, <span class="number">class="num">0.1</span>); a [i].c [c] = a [i].c [c] + rnd * (rangeMax [c] - rangeMin [c]) * d; a [i].c [c] = SeInDiSp(a [i].c [c], rangeMin [c], rangeMax [c], rangeStep [c]); } }
SIA 在基准函数上的实测表现
用 SIA 试验台跑了三组标准测试函数，每组各跑 10000 次，维度分别取 5、25、500。Rastrigin 函数在 5 维下得分 0.99741、500 维仍保住 0.69720；Forest 函数 5 维得分 0.93282，但到 500 维掉到 0.17866；Megacity 离散函数 5 维 0.71667、500 维仅 0.08787。综合总分 5.86552，且相比对照算法少了一个可调参数。 横向拉表看，SIA 在 26 个算法里排第 2，最终结果 89.524，仅次于 SDSm 的 100.000。它在 Forest 的 1000 变量项和 Megacity 离散的 1000 变量项上拿到满分 1.00000，说明对尖锐多峰和大规模离散空间的覆盖能力突出；弱项是 Rastrigin 的 50 维（0.93642）和 Megacity 的 50 维（0.74342），没到头部水平。 收敛图像显示个体聚成清晰簇团，并盖住了主要局部极值，形态接近金属凝固结晶。做参数优化时，若你的外汇 EA 要搜的参数面是多峰尖锐型，SIA 可能比 PSO（总分 8.423）或 SA（13.295）更省迭代；但高维离散问题里它得分衰减快，实盘前建议先用历史 tick 跑 10000 代确认稳定性。外汇与贵金属杠杆高，回测优不代表实盘盈利，任何算法都有失效概率。
「别急着下结论」
SIA 这套模拟各向同性退火，实测在带锐化、离散特征的高维函数上表现突出，根源在于它能均匀铺开解空间搜索，复杂不规则区也不容易漏掉最优点。相比经典 SA 要调三个外参，它只留温度和扩散比两个，温度还被简化成抽象温度的一部分，默认 0.01，上手成本明显更低。 作者基于自己的实验跑分，把 SIA 推荐到神经网络训练、多参数问题以及组合优化里用；附带的 26_The_world_of_AO_SIA.zip（约 437.92 KB）里是历次文章算法的当前更新版代码，想自己验证的直接下回来跑。但文末也挑明了：结论来自实验、不对规范算法绝对准确负责，代码做过多处改动。 对外汇、贵金属这类高波动品种做参数寻优时，拿 SIA 替你扫参可能比网格快，但任何优化结果都只是历史样本上的概率倾向，实盘前务必在 MT5 策略测试器里重跑并控风险。