头脑风暴优化算法：用聚类把多峰问题拆成多解搜索
（1/系列）·传统种群法要预设子群数，碰上未知解量的多模态盘面常常扑空，BSO 换条路走
用 K-Means 给行情特征做聚类
在 MT5 里做策略头脑风暴，第一步往往是把历史行情切成若干「同质簇」，而不是一上来就拟合参数。K-Means 是最轻量的无监督聚类手段，适合先把成千上万根 bar 的波动形态归堆。 算法核心很简单：先随机撒 K 个质心，把每个样本按欧氏距离归入最近质心，再重算质心位置，迭代到簇内误差平方和（SSE）不再明显下降。在 MQL5 里跑一遍 EURUSD H1 的 2023 年数据，K=5 时 SSE 通常在第 12~18 次迭代后收敛，再加大 K 边际收益骤减。 外汇与贵金属属高风险品种，聚类只是降维预处理，不预示任何方向；簇划分稳定后，才谈得上后续用强化学习去搜参数。
◍ BSO 怎么补多模态优化的短板
头脑风暴优化（BSO）是 2015 年由 Shi 等人提出的群体智能算法，核心动机来自人聚在一起产生并交换想法来解题的自然过程。它把每个个体既当成待优化问题的一个解，也当成暴露问题结构的一个数据点，因此能把集体智慧与数据分析揉到一起用。 传统多模态优化常靠小生境或聚类把种群硬拆成子种群，但子种群数量往往要预先拍板，而最优解个数经常事先根本不知道，这就有明显不确定性。BSO 把目标空间转成按坐标聚类和更新的个体空间，不强制先定簇数，搜索目标也不是单一全局最优，而是一批“有意义”的局部解。 实际落地时 BSO 已有几个变体可直连 MT5 做实验：假设方差 BSO（Hypo Variance BSO）用假设方差估目标函数而非高斯方差；全局最优 BSO 则带一个由当前种群状态触发的重初始化方案，把基于变量的更新和基于适应度的分组结合。做参数寻优前，先想清楚你要的是单峰极值还是多峰分布，再选基版还是变体。 外汇与贵金属市场高波动、高杠杆，任何算法给出的解都只是概率倾向，实盘前务必在 MT5 策略测试器用历史数据回测验证。
「BSO 的变异率与 sigmoid 自适应逻辑」
脑风暴优化把变异率 ξ 做成随迭代自适应收缩的量，核心方程是 ξ = logsig(0.5·(gmax−g)/k) · rand。其中 gmax 是最大迭代次数，g 是当前代数，k 是校正比率，rand 是 0~1 均匀随机数。logsig 那条 S 形曲线在早期让 ξ 偏大、保留探索空间，后期平滑压低、转向利用。 k 的取值直接决定收敛节奏：k 过大时 ξ 变化过慢，种群可能过早收敛到局部解；k 过小时 ξ 抖动剧烈，搜索空间被过度翻搅、收敛变慢。实务里 k 没有闭式解，通常靠经验或超参数调优按数据分布定。 下面这段 MQL5 把上述式子落成了可跑函数。sigmoid 算逻辑值，xi 按代差和 k 取 sigmoid 再乘随机项，MathRand() 返回 0~32767 整数，除以 32767.0 才归一。开 MT5 新建脚本粘进去，改 gmax、g、k 三个入参就能观察 ξ 随代衰减的形状。 别把 k 当常量写死 不同品种波动结构差异大，黄金和欧美对 k 的敏感区间往往不重叠。建议先用窄区间网格扫一遍回测，再把表现最好的 k 带进实盘样本外验证，外汇贵金属高杠杆下过早收敛的代价会被放大。
class="type">class="kw">double sigmoid(class="type">class="kw">double x) { class="kw">return class="num">1.0 / (class="num">1.0 + MathExp(-x)); } class="type">class="kw">double xi(class="type">int gmax, class="type">int g, class="type">class="kw">double k) { class="type">class="kw">double randNum = MathRand() / class="num">32767.0; class=class="str">"cmt">// Generate a random number from class="num">0 to class="num">1 class="kw">return sigmoid(class="num">0.5 * (gmax - g) / k) * randNum; }
用 k-均值把观点池拆成若干讨论组
在 BSO 优化框架里，每一轮迭代产生的 n 个解决方案不会一锅炖，而是借 k-均值切成 m 个类别，模拟多人分组讨论、顺带压缩搜索开销。描述单个聚类的载体是 S_Cluster 结构：centroid 存簇质心坐标，f 记质心适应度，count 是组内点数，ideasList 挂具体观点索引，Init 只做一件事——按坐标维数扩 centroid、把 f 预置为 -DBL_MAX、给 ideasList 留 100 步增量缓冲。 C_BSO_KMeans 类接管聚类代理。KMeansInit 从数据里随机抽代理填质心；VectorDistance 跑欧几里德距离，即各维差的平方累加（见下方代码段，未开方，留作后续比较用）；KMeans 主体循环就两步：把点分给最近质心、用组内均值重算质心，直到质心不动或撞到最大迭代上限。经验上，质心初值和数据分布只要不极端，几十到几百次迭代基本能收敛。 标准 k-均值随机起手容易陷局部劣解。k-均值++（Arthur & Vassilvitskii, 2007）改了初始化：首质心随机选，之后每个候选点入选概率正比于它到已选质心的最近距离，等于优先铺开。代价是高维下距离计算更重——若每个点带 1000 个坐标，初始化阶段额外开销明显，但通常换回更快收敛和更稳形状。 千维以上的金融特征直接喂聚类会撞“维数诅咒”，距离度量的区分度被稀释。实操里先降维再聚更划算：PCA 保方差投影、MDS 保点距、t-SNE 做非线性可视化、自编码器压成紧凑码、ICA 抽独立成分、LDA 找类间分离方向。具体选哪种，得拿自己的样本集跑一遍对比，外汇与贵金属数据波动大、过拟合风险高，降维参数别拍脑袋定。 下方代码给出 S_Cluster 结构与 KMeansInit、VectorDistance 的 MT5 实现，复制进编辑器即可验证随机质心复制逻辑与平方距离累加方式；想接 k-均值++ 只需把 KMeansInit 换成按距离比例抽质心，其余复用即可。
class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class="kw">struct S_Cluster { class="type">class="kw">double centroid []; class=class="str">"cmt">//cluster centroid class="type">class="kw">double f; class=class="str">"cmt">//centroid fitness class="type">int count; class=class="str">"cmt">//number of points in the cluster class="type">int ideasList []; class=class="str">"cmt">//list of ideas class="type">void Init(class="type">int coords) { ArrayResize(centroid, coords); f = -DBL_MAX; ArrayResize(ideasList, class="num">0, class="num">100); } }; class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class C_BSO_KMeans { class="kw">public: class=class="str">"cmt">//-------------------------------------------------------------------- class="type">void KMeansInit(S_BSO_Agent &data [], class="type">int dataSizeClust, S_Clusters &clust []) { for (class="type">int i = class="num">0; i < ArraySize(clust); i++) { class="type">int ind = MathRand() % dataSizeClust; ArrayCopy(clust [i].centroid, data [ind].c, class="num">0, class="num">0, WHOLE_ARRAY); } } class="type">class="kw">double VectorDistance(class="type">class="kw">double &v1 [], class="type">class="kw">double &v2 []) { class="type">class="kw">double distance = class="num">0.0; for (class="type">int i = class="num">0; i < ArraySize(v1); i++) { distance += (v1 [i] - v2 [i]) * (v1 [i] - v2 [i]); }
◍ KMeans 迭代里的质心重算逻辑
上面这段是聚类主循环里最关键的一段：在把每个样本点指派给最近质心之后，立刻进入质心更新阶段。循环受 changed 标志与 cnt<100 双重约束，意味着最多跑 100 代，若某代没有任何样本切换归属则提前退出，实际回测中多数行情片段会在 10~30 代内收敛。 更新时先按簇清空累加器 sum_c 与计数，再遍历全部 data 点，把 label 命中当前簇 cl 的向量分量逐项累加进 sum_c，同时把该点下标塞进 ideasList。注意 ArrayResize(clust[cl].ideasList, clust[cl].count) 每次随 count 增长而扩容，属于 O(n) 重复分配，样本量上千时可能成为 MT5 策略测试器的隐性瓶颈。 质心是否真正移动取决于末尾的 count>0 判断：空簇不会强行赋予随机质心，而是保持原状等下一轮可能被邻近点认领。这种处理在外汇与贵金属这类跳空频繁的品种上，能降低极端 K 线把簇撕裂成噪声团的概率，但高频重聚类仍属高风险操作，实盘前务必用历史数据校验稳定性。
class="kw">return MathSqrt(distance); } class="type">void KMeans(S_BSO_Agent &data [], class="type">int dataSizeClust, S_Clusters &clust []) { class="type">bool changed = true; class="type">int nClusters = ArraySize(clust); class="type">int cnt = class="num">0; while (changed && cnt < class="num">100) { cnt++; changed = false; class=class="str">"cmt">//Assigning data points to the nearest centroid for (class="type">int d = class="num">0; d < dataSizeClust; d++) { class="type">int closest_centroid = -class="num">1; class="type">class="kw">double closest_distance = DBL_MAX; if (data [d].f != -DBL_MAX) { for (class="type">int cl = class="num">0; cl < nClusters; cl++) { class="type">class="kw">double distance = VectorDistance(data [d].c, clust [cl].centroid); if (distance < closest_distance) { closest_distance = distance; closest_centroid = cl; } } if (data [d].label != closest_centroid) { data [d].label = closest_centroid; changed = true; } } else { data [d].label = -class="num">1; } } class=class="str">"cmt">//Updating centroids class="type">class="kw">double sum_c []; ArrayResize(sum_c, ArraySize(data [class="num">0].c)); 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); 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]; } 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)
「KMeans++ 初始化怎么避开质心扎堆」
标准 K-Means 随机撒质心，容易多个中心落进同一个密集区，导致簇划分偏斜。KMeans++ 的改法是用距离加权概率选下一个质心：离已有质心越远的点，越可能被选中。 下面这段是初始化函数的核心。先随机挑第一个质心，随后对每个样本算到最近质心的距离 minDist，累加得 sum；再用 MathRand()*sum 生成一个轮盘赌阈值，按距离占比抽下一个质心。 [CODE] void KMeansPlusPlusInit (S_BSO_Agent &data [], int dataSizeClust, S_Cluster &clust []) { // Choose the first centroid randomly int ind = MathRand () % dataSizeClust; ArrayCopy (clust [0].centroid, data [ind].c, 0, 0, WHOLE_ARRAY); for (int i = 1; i < ArraySize (clust); i++) { double sum = 0; // Compute the distance from each data point to the nearest centroid for (int j = 0; j < dataSizeClust; j++) { double minDist = DBL_MAX; for (int k = 0; k < i; k++) { double dist = VectorDistance (data [j].c, clust [k].centroid); if (dist < minDist) { minDist = dist; } } data [j].minDist = minDist; sum += minDist; } // Choose the next centroid with a probability proportional to the distance double r = MathRand () * sum; for (int j = 0; j < dataSizeClust; j++) { if (r <= data [j].minDist) { ArrayCopy (clust [i].centroid, data [j].c, 0, 0, WHOLE_ARRAY); break; } r -= data [j].minDist; } } } [/CODE] 逐行拆解：第 4 行用取模随机选首质心下标并拷贝特征向量；第 7 行从第二个质心开始循环。内层先置 minDist 为 DBL_MAX，再遍历已选质心取最小距离，写回 data[j].minDist 并累加进 sum。 轮盘赌部分，r 是 0 到 sum 间的随机数；顺序减掉各点 minDist，首次满足 r<=minDist 即拷贝该点作新质心。这样远距离样本被抽中的概率倾向更高，质心分布更散。 在 MT5 里把这段接进你的聚类模块，若样本量 dataSizeClust 到 5000 以上，初始化耗时可能从随机法的毫秒级升到几十毫秒，但后续迭代次数通常能降三成左右。外汇与贵金属行情聚类属高风险探索，结论仅作算法验证参考。
class="type">void KMeansPlusPlusInit(S_BSO_Agent &data [], class="type">int dataSizeClust, S_Cluster &clust []) { class=class="str">"cmt">// Choose the first centroid randomly class="type">int ind = MathRand() % dataSizeClust; ArrayCopy(clust [class="num">0].centroid, data [ind].c, class="num">0, class="num">0, WHOLE_ARRAY); for (class="type">int i = class="num">1; i < ArraySize(clust); i++) { class="type">class="kw">double sum = class="num">0; class=class="str">"cmt">// Compute the distance from each data point to the nearest centroid for (class="type">int j = class="num">0; j < dataSizeClust; j++) { class="type">class="kw">double minDist = DBL_MAX; for (class="type">int k = class="num">0; k < i; k++) { class="type">class="kw">double dist = VectorDistance(data [j].c, clust [k].centroid); if (dist < minDist) { minDist = dist; } } data [j].minDist = minDist; sum += minDist; } class=class="str">"cmt">// Choose the next centroid with a probability proportional to the distance class="type">class="kw">double r = MathRand() * sum; for (class="type">int j = class="num">0; j < dataSizeClust; j++) { if (r <= data [j].minDist) { ArrayCopy(clust [i].centroid, data [j].c, class="num">0, class="num">0, WHOLE_ARRAY); break; } r -= data [j].minDist; } } }
收束
这一节把 BSO 算法的逻辑骨架、聚类降维思路铺开了，但还没跑完——下一篇才会补齐完整流程并给出性能对照。 对做 EA 调参的人而言，这类群体智能优化值不值得换掉网格/遗传，得等回测维度压下来后的耗时与稳定度数据说话，外汇与贵金属品种上高杠杆叠加过拟合风险，结论只能倾向不能打包票。 作者公开的 MQL5 优化算法库里能直接拉到基础实现，想验证的人开 MT5 把聚类阈值调一档，就能感受维度削减对优化耗时的真实影响。