人工蜂巢算法（ABHA）：理论及方法（基础篇）
人工蜂巢算法在 MT5 里的落地思路
人工蜂巢算法（ABHA）把群体智能里的雇佣蜂、观察蜂、侦察蜂分工搬进优化器，用来在 MT5 里搜参数组合。它不像网格遍历那样死算，而是靠蜂群在解空间里反复试探与淘汰，倾向更快收敛到较优区。 该算法在 MetaTrader 5 环境可直接挂到策略测试器的自定义优化模块。2025 年 2 月 27 日发布的示例帖文显示，相关实现帖在发布当日即获得 1340 次查看，说明这类非传统优化思路在量化交易者里有明确需求。 外汇与贵金属品种波动受杠杆和消息面放大，用 ABHA 跑出的参数在历史样本上表现好，不等于实盘概率同权，上线前务必用 MT5 跨品种回测验证。
「ABHA 怎么从蜂群里长出来」
早先的 ABC（人工蜂群）把蜂群看成侦察蜂加采集蜂的分工系统，靠个体角色叠加提升找食效率。ABHA 把观察再往下切了一层：它不只看分工，更盯集体互动怎么让新蜜源被发现，个体间信息交换如何压低无效搜索。 ABHA 的主战场是高维空间里的连续优化——这类函数往往局部极值密布，传统梯度法容易卡在局部极小出不来。算法借的是蜜蜂的集体觅食逻辑：用群体信息流替代单点盲搜，从而提高摸到全局最优的概率。 结构上它分了几个行为态。实验态（experiment state）里蜜蜂互换已发现蜜源的坐标与质量，相当于在多维空间里累积“哪片最肥”的共识；搜索态（search state）则基于同伴情报主动撒网探最佳源。该算法由 Andrés Muñoz 团队在 2009 年提出，定位就是连续优化问题求解器。外汇与贵金属参数寻优属高风险实验，回测吻合不代表实盘可复现。
◍ 把蜂群行为拆成可跑的优化代理
ABHA 把连续空间寻优映射成蜂群分工：每只蜜蜂是一个智能体，拥有新手、有经验、搜索、食物来源四种状态。状态切换不看拍脑袋，而是用当前成本、先前成本、最佳成本三组数值驱动——比如搜索态蜜蜂比对 prevCost 与 cost，若更优就沿原方向继续，否则可能退回新手态重新随机探索。 食物来源即潜在解，盈利能力 = 该点目标函数值；舞蹈则是蜂巢内的信息传递机制，舞蹈时长与盈利能力正相关，跟随概率也随盈利能力浮动。代码层用 S_ABHA_Agent 结构承载这一切：position[] 存坐标，bestPosition[] 存历史最优，direction[] 管移动方向，p_srs / p_rul / p_ab 三组概率字段动态计算。 C_AO_ABHA 类从 C_AO 派生，构造函数收 popSize、maxSearchAttempts、initialStepSize 等参数。Init 方法先调 StandardInit 设搜索上下界与步长，再用 ArrayResize 把 agents[] 拉到 popSize 长度，逐只调 agent.Init(coords, initStepSize) 赋初值——任一步失败返回 false，全过则返回 true。 实跑时注意：popSize 直接决定 agents 数组大小，initialStepSize 通过 initStepSize 传入每只蜜蜂，控制其坐标移动比例；调参时若搜索过早收敛，优先砍 initialStepSize 或抬 maxSearchAttempts。外汇与贵金属参数优化属高风险实验，回测吻合不代表实盘概率占优。
移动与状态刷新：ABHA 智能体的两步驱动
C_AO_ABHA 类的 Moving 方法管的是智能体（蜜蜂）在优化迭代里的位移。第一次进函数时 revision 为 false，会走初始化分支：嵌套循环给每个智能体、每个坐标在 rangeMin~rangeMax 内撒一个随机值，再用 SeInDiSp 按步长对齐到允许网格，当前位和最佳位先设成相同，并随机生成移动方向向量，随后把 revision 置 true 直接返回。 过了初始化，Moving 就按智能体状态走 switch：新手、有经验、搜索、食物源四种状态分别调 StageActivityNovice、StageActivityExperienced 等子方法，执行完统一用 SeInDiSp 把坐标夹回合法区间，最后把当前位置写回 a 数组对应元素。可以说，ABHA 的群体动态基本全压在这个无参无返的方法里。 Revision 方法负责事后记账与状态迁移。它先以 ind=-1 扫一遍 popSize 个智能体，抓出 a[i].f 最大的那个，把坐标 ArrayCopy 进 cB；随后刷新每个 agents[i].cost，调 CalculateProbabilities 算行动概率、CalculateAverageCost 算群体均值，再按状态调用 ChangingStateForNovice 等做状态切换。 收尾时 Revision 会比对每个智能体 cost 与自身 bestCost，若当前更优则更新 bestCost 并把位置拷进 bestPosition，同时把 prevCost 顺推为本次 cost。外汇与贵金属参数优化属高风险实验，ABHA 给出的只是概率倾向更优解，实盘前务必在 MT5 策略测试器跑多轮校验。
class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class="kw">struct S_ABHA_Agent { enum BeeState { stateNovice = class="num">0, class=class="str">"cmt">// Novice state stateExperienced = class="num">1, class=class="str">"cmt">// Experienced state stateSearch = class="num">2, class=class="str">"cmt">// Search state stateSource = class="num">3 class=class="str">"cmt">// Food source state }; class="type">class="kw">double position []; class=class="str">"cmt">// Current position of the bee class="type">class="kw">double bestPosition []; class=class="str">"cmt">// Best bee position found class="type">class="kw">double direction []; class=class="str">"cmt">// Bee movement direction vector class="type">class="kw">double cost; class=class="str">"cmt">// Current food source quality class="type">class="kw">double prevCost; class=class="str">"cmt">// Previous food source quality class="type">class="kw">double bestCost; class=class="str">"cmt">// Best food source found quality class="type">class="kw">double stepSize; class=class="str">"cmt">// Step ratio in all coordinates during a bee movement class="type">int state; class=class="str">"cmt">// Bee&class="macro">#x27;s current state class="type">int searchCounter; class=class="str">"cmt">// Counter of the bee actions in the search state class="type">class="kw">double pab; class=class="str">"cmt">// Probability of remaining near the source class="type">class="kw">double p_si; class=class="str">"cmt">// Dynamic probability of other bees choosing this bee&class="macro">#x27;s dance class="type">class="kw">double p_srs; class=class="str">"cmt">// Random search probability class="type">class="kw">double p_rul; class=class="str">"cmt">// Probability of following the dance class="type">class="kw">double p_ab; class=class="str">"cmt">// Probability of source rejection class="type">void Init(class="type">int coords, class="type">class="kw">double initStepSize) { ArrayResize(position, coords); ArrayResize(bestPosition, coords);