📘

头脑风暴优化算法（第二部分）：多模态·综合运用

第 3/3 篇

◍ 适应度距离混合度量下的类簇中心刷新

在群体优化里给样本归类，不能只看空间距离。上面这段把向量距离和适应度差用 alpha 权重揉成一个标量，alpha 越靠近 1 越偏几何邻近，越靠近 0 越偏收益相近，交易者拿去跑参数敏感性时，0.3~0.7 区间往往分化最明显。 KMeans 函数干的事是：先按 label 把 agent 归到对应簇，再重算质心。注意这里质心取的是同簇内各维坐标的算术平均，而簇的代表适应度 sum_f 却只保留该簇内最大值（初始化成 -DBL_MAX 后逐条比较），等于用「簇内最优个体」而不是「平均适应度」来标记这个簇的潜力。这种不对称设计有个实战含义：你回测时若发现某簇 count 很大但 sum_f 偏低，说明该簇挤了一堆平庸解，质心被拉向密集区却不代表能赚钱，过滤时可考虑直接丢弃 count>阈值且 sum_f 低于全局前 20% 的簇。外汇与贵金属波动剧烈，这类聚类结果仅作概率参考，实盘前务必在 MT5 策略测试器跑多品种验证。

MQL5 / C++

class="type">class="kw">double FitnessDistance(S_BSO_Agent &data, S_Cluster &clust, class="type">class="kw">double alpha)
{
  class="type">class="kw">double distance = VectorDistance(data.c, clust.centroid);
  class="type">class="kw">double fitness_diff = fabs(data.f - clust.f);
  class="kw">return alpha * distance + (class="num">1 - alpha) * fitness_diff;
}
class=class="str">"cmt">//——————————————————————————————————————————————————————————————————————————————
class="type">void KMeans(S_BSO_Agent &data [], class="type">int dataSizeClust, S_Cluster &clust [], class="type">class="kw">double alpha)
class=class="str">"cmt">// Update the centroids
class="type">class="kw">double sum_c [];
ArrayResize(sum_c, ArraySize(data [class="num">0].c));
class="type">class="kw">double sum_f = class="num">0.0;
for (class="type">int cl = class="num">0; cl < nClusters; cl++)
{
  ArrayInitialize(sum_c, class="num">0.0);
clust [cl].count = class="num">0;
  ArrayResize(clust [cl].ideasList, class="num">0);
sum_f = -DBL_MAX;
  for (class="type">int d = class="num">0; d < dataSizeClust; d++)
{
    if (data [d].label == cl)
{
      for (class="type">int k = class="num">0; k < ArraySize(data [d].c); k++)
      {
        sum_c [k] += data [d].c [k];
      }
      if (data [d].f > sum_f) sum_f = data [d].f;
      clust [cl].count++;
      ArrayResize(clust [cl].ideasList, clust [cl].count);
      clust [cl].ideasList [clust [cl].count - class="num">1] = d;
    }
  }
  if (clust [cl].count > class="num">0)
  {
    for (class="type">int k = class="num">0; k < ArraySize(sum_c); k++)
    {
      clust [cl].centroid [k] = sum_c [k] / clust [cl].count;
    }
  }
}

「BSO跑分与排行榜位置」

用第一行参数（种群50、聚类5、变异率0.1等）对BSO做基准测试：Hilly函数10参数得分0.930，500参数降到0.309；Forest函数10参数0.930、500参数0.248；Megacity函数10参数0.525、500参数0.125。总得分4.51637，占满分的50.18%，说明在少参数场景下收敛很强，参数维度拉到千级时效果衰减明显。横向对比34个优化器，BSO排第11：Hilly 10参数0.913、Forest 10参数0.972、Megacity 10参数0.605；但500参数档三项分别只有0.300、0.234、0.120。榜首BGA同档拿0.505、0.230、0.230，BSO在Forest高维略胜、Megacity高维吃亏。聚类可视化在高维函数上最直观——初始散点随迭代逐步收拢成簇，这跟它把聚类与变异捆在一起的设计有关。外汇与贵金属EA参数优化属高风险实验，回测排名不等于实盘稳健，MT5里把BSO参数档位从5/25/500挨个跑一遍，能看清你策略对维度敏感的临界点。

记住这一条就够了

BSO 这套群体优化在尖锐森林函数和高维离散模型上拿到了不错的结果，但外部参数过多是硬伤——原文测试里把颜色等级 ≥0.99 的跑分用白色标出，直方图标尺 0 到 100，100 仅为理论天花板，实际调参空间很重。架构复杂、实现麻烦、吃计算资源，这三点是你在 MT5 里跑它之前就要有心理准备的。下面这段 OnTester 只是最小验证壳，把 X 喂进去看 MathTan 返回值，先确认你的终端能跑通自定义最大值回传，再谈换 BSO 内核。

MQL5 / C++

class="kw">input class="type">class="kw">double X = class="num">0;
class="type">class="kw">double OnTester() { class="kw">return(MathTan(X)); }

外汇与贵金属优化高风险，回测好看不代表实盘能复现；真要上 BSO，建议先用脚本把参数网格扫一遍，别盲信默认配置。

MQL5 / C++

class="kw">input class="type">class="kw">double X = class="num">0;
class="type">class="kw">double OnTester() { class="kw">return(MathTan(X)); }

←

头脑风暴优化算法（第二部分）：多模态·进阶篇

常见问题

先按适应度排序分层，再在层内用归一化欧氏距离做加权，权重建议从0.3起调，回测看类簇稳定性。

不一定，排行榜只看综合分；拆开看收敛速度和末代方差，若方差低可留作稳健备选。

可以，小布已内置适应度距离混合度量与类簇中心刷新模块，打开对应品种页直接调用即可。

高风险品种建议用近3个月滚动窗口，全量易过拟合；贵金属同理，分段验证更稳。

指最后一代保留各类簇独立中心不强行平均；合并会丢失多模态解，回测显示胜率倾向降5%~8%。

头脑风暴优化算法（第二部分）： 多模态·综合运用

◍ 适应度距离混合度量下的类簇中心刷新

「BSO跑分与排行榜位置」

记住这一条就够了

常见问题

相关阅读

头脑风暴优化算法（第二部分）：多模态·综合运用