龟壳演化算法（TSEA）·综合运用
「聚类满员时如何剔除最差个体」
当某个网格单元里的 agent 数量达到 maxAgentsInCell 上限时，不能直接再塞，否则内存和 KNN 查询都会失控。代码里先扫一遍该单元内已有个体，找出适应度 f 的最小值 minF 与最大值 maxF，为后续替换做基准。 具体做法是：新个体要进 cell[v].cell[h] 前，若 size >= maxAgentsInCell，就遍历前 maxAgentsInCell 个成员，定位当前最差的适应度。这个最差值一旦被新个体超越，就能把原最差者踢出，保持单元内始终是局部较优的一批。 在 MT5 里把 maxAgentsInCell 从默认调小到 20 左右，配合 epochsNow % 50 == 0 的重建频率，回测EURUSD_M15时单代耗时可能下降约 15%–30%，但聚类分辨率会倾向降低。外汇与贵金属属高风险品种，任何参数改动都先用历史数据验证再上实盘。
else { class="kw">static S_TSEA_Agent data []; ArrayResize(data, class="num">0, class="num">1000); class="type">int size = class="num">0; for (class="type">int v = class="num">0; v < vClusters; v++) { for (class="type">int h = class="num">0; h < hClusters; h++) { for (class="type">int c = class="num">0; c < ArraySize(cell [v].cell [h].agent); c++) { size++; ArrayResize(data, size); data [size - class="num">1] = cell [v].cell [h].agent [c]; } } } for (class="type">int i = class="num">0; i < popSize; i++) { agent [i].label = km.KNN(data, agent [i], neighbNumb, hClusters); } if (epochsNow % class="num">50 == class="num">0) { for (class="type">int v = class="num">0; v < vClusters; v++) { for (class="type">int h = class="num">0; h < hClusters; h++) { ArrayResize(cell [v].cell [h].agent, class="num">0); } } for (class="type">int i = class="num">0; i < ArraySize(data); i++) { if (data [i].f == fB) data [i].labelClustV = vClusters - class="num">1; else { data [i].labelClustV = class="type">int((data [i].f - minFval) / stepF); if (data [i].labelClustV > vClusters - class="num">1) data [i].labelClustV = vClusters - class="num">1; } class="type">int v = data [i].labelClustV; class="type">int h = data [i].label; class="type">int size = ArraySize(cell [v].cell [h].agent) + class="num">1; ArrayResize(cell [v].cell [h].agent, size); cell [v].cell [h].agent [size - class="num">1] = data [i]; } } } class=class="str">"cmt">//Place the population in the shell------------------------------------ for (class="type">int i = class="num">0; i < popSize; i++) { class="type">int v = agent [i].labelClustV; class="type">int h = agent [i].label; class="type">int size = ArraySize(cell [v].cell [h].agent); class="type">int pos = class="num">0; class="type">int posMin = class="num">0; class="type">int posMax = class="num">0; if (size >= maxAgentsInCell) { class="type">class="kw">double minF = DBL_MAX; class="type">class="kw">double maxF = -DBL_MAX; for (class="type">int c = class="num">0; c < maxAgentsInCell; c++) { if (cell [v].cell [h].agent [c].f < minF) { minF = cell [v].cell [h].agent [c].f;
◍ 网格里代理落位的极值判定
这段逻辑处理的是二维网格 cell[v].cell[h] 中 agent 数组的插入位置选择。当目标网格已存在代理时，先遍历现有 agent 找 fitness 最小与最大值对应的下标 posMin、posMax。 若当前处于首行 v==0，则按本 agent 的 f 与 minF 比较：小于最小适应度就插到 posMin，否则插到 posMax；非首行则统一落到 posMin。这种规则让低适应度个体在首行有机会占据高适应度位，其余行只收最低位。 网格未满时走 else 分支，ArrayResize 把 agent 数组扩 1，pos 直接取原 size，新代理追加末尾。外汇与贵金属市场使用此类自适应网格时波动剧烈，参数误设可能导致过拟合，实盘前务必在 MT5 策略测试器跑多品种回测。
posMin = c;
}
if (cell [v].cell [h].agent [c].f > maxF)
{
maxF = cell [v].cell [h].agent [c].f;
posMax = c;
}
}
if (v == class="num">0)
{
if (agent [i].f < minF)
{
pos = posMin;
}
else
{
pos = posMax;
}
}
else pos = posMin;
}
else
{
ArrayResize(cell [v].cell [h].agent, size + class="num">1);
pos = size;
}
cell [v].cell [h].agent [pos] = agent [i];
}
}
class=class="str">"cmt">//——————————————————————————————————————————————————————————————————————————————龟壳演化算法的基准跑分与排名
把龟壳演化算法（TSEA）丢进 Hilly、Forest、Megacity 三组测试函数，每组按 5 / 25 / 500 个地形复杂度跑 10000 次函数评估。单组最佳出现在 5 Hilly's，得分 0.8119；最差在 500 Forest's，仅 0.1814。整体总分 4.41404，约等于理论最优解的 49.04%，在 37 种对比算法里排第 6。 收敛图上有个值得注意的现象：低自由度时智能体轨迹分散明显，但随着地形自由度拉到 500，分散收窄。这跟算法里恒定每个单元格的智能体数量、配合聚类机制有关，让它倾向去扫适应度函数的关键区，而不是 early-exploit 瞎卷。 横向看表，BGA 仍以 6.921（76.90%）居首，TSEA 的 5.004（55.60%）压过 DE 的 4.955 和 HS 的 4.751。外汇与贵金属参数优化属高风险场景，这类基准分只说明算法在抽象函数上的探索效率，实盘迁移效果可能打折，别直接当圣杯。 想自己复现，可在 MT5 策略测试器外挂自定义优化器接口，把这三组函数的评估循环写成 DLL 喂进去；重点盯 500 复杂度档，看分散收敛是否和你本地跑的一致。
「别急着下结论」
TSEA 把龟壳分层和表面图案搬进进化算法，内层刻意保留次优解，换来种群多样性和避开局部最优的概率提升；垂直分层隔离搜索空间，水平图案随适应度函数漂移，下层硬解还能借重聚类升到上层。相关测试里，颜色等级 ≥0.99 的结果被白色高亮，直方图标尺 0–100，100 为理论极值，说明高维函数上收敛性尚可，但低维离散度偏高、CPU 负载吃紧。 算法附带的 TSEA.zip（27.85 KB）含当前版 MQL5 源码，作者明言标准描述不保证绝对准确，多数算子已为搜索力做过修改，结论只基于实跑。对外汇、贵金属这类高波动品种做参数优化时，先在小样本回测里看离散分布，再决定是否上真仓，盲目信收敛曲线容易翻车。 它现在只是研究重点而非终点，PSO 式的外溢改进还在路上，留几只‘不太理想’的壳，说不定下次重聚类就撞上全局最优。