📘

头脑风暴优化算法（第二部分）：多模态（基础篇）

Q: 做多模态头脑风暴优化时，怎么判断该用聚类还是直接全局搜索？

样本在解空间里明显分团、局部极值多时就先聚类再分群搜索；分布较均匀可跳过聚类直接跑全局，省算力。

Q: BSO 的智能体和种群类最小要写哪几个函数才跑得起来？

智能体至少要有位置初始化和适应度评估，种群类要有生成、聚类、更新三步，缺一个迭代就会断。

Q: 小布能帮我怎么用头脑风暴优化算法调参数？

小布可读取你的结构体配置，自动比对多组遗传参数回灌结果，标出收敛更快的组合，省去手动试错。

Q: 遗传参数塞进结构体再回灌有什么实际好处？

参数集中管理后改一处即可全种群生效，避免散落在函数里改漏，回灌时也能直接序列化复用。

Q: 基础篇的多模态 BSO 拿去实盘前要先验哪件事？

先用历史行情跑离线收敛测试，确认聚类不频繁抖动、种群不早停，再谈接入实时决策。

第 1/3 篇

本章目录

多模态思路下的头脑风暴优化
BSO 优化与聚类的配合逻辑
BSO智能体与种群类的骨架拆解
遗传参数落进结构体再回灌

◍ 多模态思路下的头脑风暴优化

头脑风暴优化（Brain Storm Optimization, BSO）在 MetaTrader 5 上的实现，第二篇重点转向多模态问题：传统 BSO 容易陷在单一全局峰，遇到多个等价优解的市场形态会过早收敛。原文示例发布于 2024 年 10 月 31 日 09:06，截至统计有 565 次查看、4 条评论，说明这类算法改造在 MT5 圈子里有真实需求，不是纯论文玩具。本小节只铺了三层骨架：1）问题背景，2）算法实现，3）测试结果；其中多模态改造的核心是在聚类后引入跨簇随机扰动，避免所有个体被拉向同一个质心。想验证可行性，直接开 MT5 用 EA 向导挂一段聚类+扰动逻辑，先看回测曲线是否出现多个稳定 plateau，再谈参数调优。外汇与贵金属品种波动跳跃大，多模态优解不等于实盘稳健，请按高风险品种对待。

BSO 优化与聚类的配合逻辑

BSO（头脑风暴优化）把群体活动拆成观点生成与评估两个阶段，本质是在搜索空间里靠多智能体不断产出并筛选解。它和 K-Means、K-Means++ 这类聚类绑在一起用：聚类先把数据元素按相似度分组，让算法更快定位可能藏最优解的区域。变异操作是另一块关键，它让 BSO 能跳过局部障碍、绕开搜索空间里的死胡同，从而走更短路径逼近最优。原文提到第一部分已拆解过这套逻辑结构，第二部分才进实盘代码与多模态测试。对做 EA 参数寻优的交易者来说，这套组合的意义在于：单纯网格遍历容易卡在平坦区，而聚类+变异可能把回测耗时压下来。具体能省多少要看品种波动结构，外汇与贵金属属高风险品种，任何优化结果都只是历史样本上的概率倾向，不能直接当实盘保证。

「BSO智能体与种群类的骨架拆解」

BSO（头脑风暴优化）在MT5里落地，第一步是把每个候选解封装成结构体。下面这段S_BSO_Agent就是最小单元：c数组存坐标，f存适应度，label标聚类归属。 Init方法只接收一个coords参数，用ArrayResize把坐标数组拉到对应维度；f初始化成-DBL_MAX，也就是双精度负无穷，保证任何真实评价值都能覆盖它；label设-1表示还没进任何簇。创建新智能体时这三步必跑。继承C_AO的C_AO_BSO类管整个种群。公开字段里popSize默认25、parentPopSize默认50，说明子代规模小于父代留存规模；clustersNumb、p_Replace、p_One、p_One_center、p_Two_center、k_Mutation、distribCoeff这组概率与比率，就是BSO区别于普通EA优化的核心旋钮。 Init里先调StandardInit做范围与步长校验，失败直接返false；随后agent数组Resize到popSize，clusters到clustersNumb，parents和parentsTemp都开到parentPopSize+popSize——多出来的空间就是给每轮并归父代与子代后排序留的。epochs按入参定，epochsNow从0起。 Moving方法每轮先epochsNow++，若revision为false就随机撒坐标然后退出；否则按u.RNDprobab()<p_Replace决定搬簇心，按<p_One决定从单簇还是双簇取观点，再做变异并用SeInDiSp夹紧到搜索范围。这套逻辑让智能体既跟簇心也跨簇探索。 Revision负责回写适应度、把新观点并回父代、按f排序只留优解、首次迭代用K-Means初始化聚类，并刷新各簇质心。原文作者实测BSO对明显局部极值探索不足，即便在FitnessDistance里加alpha权重调和距离与适应度，对K-Means质心更新改动后分配模式也没明显改善。若K-Means系不给力，可换DBSCAN（密度聚类）、层次聚类、GMM或谱聚类；附带的类里直接替掉K-Means方法就能自测。外汇与贵金属参数优化属高风险实验，回测结论仅代表历史样本，实盘可能失效。

MQL5 / C++

class=class="str">"cmt">//——————————————————————————————————————————————————————————————————————————————
class="kw">struct S_BSO_Agent
{
    class="type">class="kw">double c      []; class=class="str">"cmt">//coordinates
    class="type">class="kw">double f;        class=class="str">"cmt">//fitness
    class="type">int    label;    class=class="str">"cmt">//cluster membership label
    class="type">void Init(class="type">int coords)
    {
        ArrayResize(c,     coords);
        f      = -DBL_MAX;
        label = -class="num">1;
    }
};
class=class="str">"cmt">//——————————————————————————————————————————————————————————————————————————————
class=class="str">"cmt">//——————————————————————————————————————————————————————————————————————————————
class C_AO_BSO : class="kw">public C_AO
{
  class="kw">public: class=class="str">"cmt">//--------------------------------------------------------------------
  ~C_AO_BSO() { }
  C_AO_BSO()
  {
    ao_name = "BSO";
    ao_desc = "Brain Storm Optimization";
    ao_link = "[MQL5官方文档]
    popSize          = class="num">25;   class=class="str">"cmt">//population size
    parentPopSize    = class="num">50;   class=class="str">"cmt">//parent population size;

◍ 遗传参数落进结构体再回灌

这段把聚类遗传算法的可调项先写死成默认常量，再塞进一个长度为 9 的 params 数组，靠 name+val 配对，方便外部读取或 UI 暴露。默认 clustersNumb=5、p_Replace=0.1、p_One=0.5、p_One_center=0.3、p_Two_center=0.2、k_Mutation=20.0、distribCoeff=1.0，这些数直接决定种群交叉与变异的偏向。 SetParams() 做反向操作：把 params 里下标 0~8 的 val 按类型强转回整型或浮点，重新赋给 popSize、parentPopSize、clustersNumb 等运行变量。也就是说，优化器跑完一轮若改了 params，调用一次 SetParams 就能让下一轮初始化吃进新值，不用动原常量。 Init() 的入参是三组等长数组 rangeMinP、rangeMaxP、rangeStepP，分别对应每个待优化维度的下界、上界和搜索步长。外汇与贵金属参数寻优高风险，这类边界设窄了容易陷局部最优，设宽了 MT5 回测可能跑成小时级，建议先拿 5 维小样本试水温。