群体算法的混合 -顺序结构和并行结构（基础篇）
把灰狼与臭虫算法塞进同一优化回路
群体智能算法在 MT5 策略优化里通常不是单打独斗。把两种元启发式算法做混合，常见有顺序结构与并行结构两类：顺序是一条跑完把结果喂给另一条，并行是各自独立搜索再合并候选解。 原文给出的示例发布于 2024 年 10 月 22 日，作者 Andrey Dik，截至发布页统计有 510 次浏览、0 条评论，属于低互动但偏底层的工程向内容。 对交易者而言，这种混合思路的价值不在「更玄」，而在用 GWO（灰狼）的收敛性与 COA（臭虫）的全局跳出能力互补，降低单算法早熟的概率。开 MT5 用自定义优化器接 EA 时，可先试顺序结构——实现成本低，出问题时容易定位是哪一段算法拖了后腿。
◍ 混合优化的三条技术路线
在 MT5 的种群优化框架里，把多种算法揉到一起通常只有三种落地方式。第一种是逻辑层融合：把不同算法的搜索策略嵌进同一套流程，比如前一篇里细菌觅食优化和遗传算法的结合，各自的能力互补，相当于一支风格混杂但步调统一的舞。 第二种是迭代接力：前期让一种算法跑，后期把棒交给另一种，总迭代次数不变，但知识和中间成果在阶段间平滑转移，像运动队分时段专注比赛。 第三种是并行作画：每种算法同时跑，每次迭代后合并各自的最佳结果，逐步拼出对问题空间更完整的理解。 我们之前的实验有个硬数据：在种群优化里强制把算法初始点放在全局最小点、目标却是全局最大点时，部分算法卡在最小点出不来、效率归零，而少数算法对起始位置依赖极小，早期就探出了空间，另一些则在后期 refinement。标准化后所有群体算法归到一个类，混合成本骤降，这给 MT5 策略优化留下了实打实的折腾空间。
「灰狼与布谷鸟的顺序及并行混跑实测」
把灰狼优化（GWO）和改良布谷鸟优化（COAm）拼到一起，思路是用 GWO 在前半段快速铺开搜索、靠 COAm 后半段用列维飞行细化极值。GWO 模拟狼群层级（α/β/δ/ω），收敛快但容易早熟；COAm 借寄生产卵逻辑不断替换劣解，适应性强但终点分散。实验给的总迭代资源是 10000 次，群体规模固定 50，ratio 设 0.5 表示两种算法各管一半 epoch。 顺序结构下，0–5000 代跑 GWO，到 5000 代把狼位置映射成杜鹃蛋交给 COAm 接着跑。测试台在 Hilly / Forest / Megacity 三类函数上各跑 10000 次：500 维 Megacity 得分仅 0.1072，全部函数总评分 3.55917（占满分 39.55%）。这数字和 COAm 单跑接近，改善微弱，说明狼群陷入局部极值后，杜鹃没接住接力棒。 并行结构不改类声明，只在 Moving 里同时驱动 AO1、AO2，再把两边最优代理互换。结果总评分降到 3.34807（37.20%），500 维 Forest 得 0.1686，反而略逊于顺序版。两种拼法都没打出 1+1>2，外汇或贵金属参数寻优若直接套用该混合，须警惕过拟合与局部收敛风险，MT5 上建议先单跑 COAm baseline 再决定是否混编。 下面这段是混合类构造声明，定下了 popSize=50、ratio=0.5 的默认槽位，继承 C_AO 后测试台无需改动即可调度： // 类声明继承自 C_AO class C_AO_GWO_COAm : public C_AO { public: //---- ~C_AO_GWO_COAm () { } C_AO_GWO_COAm () { ao_name = "GWO_COAm"; // 算法短名 ao_desc = "Grey Wolf Optimizer and Cuckoo Optimization Algorithm M"; // 描述 popSize = 50; // 群体大小 ratio = 0.5; // GWO 与 COAm 的 epoch 占比 ArrayResize (params, 2); // 参数数组扩到 2 个 params [0].name = "popSize"; params [0].val = popSize; // 注册 popSize }
class C_AO_GWO_COAm : class="kw">public C_AO { class="kw">public: ~C_AO_GWO_COAm() { } C_AO_GWO_COAm() { ao_name = "GWO_COAm"; ao_desc = "Grey Wolf Optimizer and Cuckoo Optimization Algorithm M"; popSize = class="num">50; class=class="str">"cmt">//population size ratio = class="num">0.5; class=class="str">"cmt">//the ratio of GWO and COAm ArrayResize(params, class="num">2); params [class="num">0].name = "popSize"; params [class="num">0].val = popSize; }
混合优化器的 epochs 切分逻辑
把 GWO 与 COAm 两套优化器塞进同一个 C_AO_GWO_COAm 类，核心靠一个 ratio 参数决定 epochs 怎么分。Init 里先按 epochGWO = int(epochCount * ratio) 算出灰狼优化占用的轮次，剩下 epochCOAm = epochCount - epochGWO 全给 COAm，两个子优化器各自用相同的 popSize 和搜索区间初始化。 Moving 函数按 epochNow 递增来切换：只要 epochNow 还小于 epochGWO，就只跑 AO1.Moving() 并把 AO1 的种群 a[i] 同步到外层，等于前段纯灰狼搜索；一旦越过 epochGWO 阈值，控制权交给 AO2，进入 COAm 阶段。 实盘调参时 ratio 设 0.5 意味着 100 轮 epochs 里前 50 轮 GWO、后 50 轮 COAm；外汇与贵金属市场波动结构多变，这种分段混合可能比单算法更快跳出局部最优，但参数敏感度高，建议在 MT5 策略测试器里用不同 ratio 做对比回测验证。
class="type">bool C_AO_GWO_COAm::Init(const class="type">class="kw">double &rangeMinP [], class=class="str">"cmt">//minimum search range const class="type">class="kw">double &rangeMaxP [], class=class="str">"cmt">//maximum search range const class="type">class="kw">double &rangeStepP [], class=class="str">"cmt">//step search const class="type">int epochsP = class="num">0) class=class="str">"cmt">//number of epochs { if (!StandardInit(rangeMinP, rangeMaxP, rangeStepP)) class="kw">return class="kw">false; epochCount = epochsP; epochNow = class="num">0; epochGWO = class="type">int(epochCount *ratio); epochCOAm = epochCount - epochGWO; AO1.params [class="num">0].val = popSize; AO2.params [class="num">0].val = popSize; AO1.SetParams(); AO2.SetParams(); AO1.Init(rangeMinP, rangeMaxP, rangeStepP, epochGWO); AO2.Init(rangeMinP, rangeMaxP, rangeStepP, epochCOAm); class="kw">return true; } class="type">void C_AO_GWO_COAm::Moving() { epochNow++; if (epochNow < epochGWO) { AO1.Moving(); for (class="type">int i = class="num">0; i < popSize; i++) { a [i] = AO1.a [i]; } class="kw">return; } AO2.Moving(); if (epochNow == epochGWO) {