人工藻类算法（Artificial Algae Algorithm，AAA）·综合运用
◍ 藻类自适应算法跑分垫底
把 Algae Adaptive Algorithm（AAA）丢进标准测试台，三组地形函数各跑 1 万次取均值：Hilly 地形在 5/25/500 个峰位下得分 0.50007 / 0.32040 / 0.25525，Forest 地形对应 0.37021 / 0.22284 / 0.16785，Megacity 离散地形则是 0.27846 / 0.14800 / 0.09755。三项加总 2.36063，换算百分比 26.23%，在 40 个对比算法里排第 36 位，仅优于模拟退火、智能水滴、粒子群和虚拟生物算法。 收敛轨迹打印出来就能看到，AAA 在 500 峰位的复杂地貌里定位全局最优的能力明显偏弱，分数随难度上升衰减得很陡。它的搜索策略分支多，反而难排查是哪一步拖了后腿，但实测数据摆着：同样是 500 峰 Hilly，排名首位的 ANS 跨邻域搜索拿 0.43857，AAA 只有 0.25525，差距接近一倍。 外汇与贵金属参数优化属高风险场景，这类弱收敛算法直接套实盘调参大概率陷入局部优。真要在 MT5 里验证，建议先把测试函数规模压到 5 峰档，看迭代曲线是否还这么软，再决定要不要上复杂地貌。
群智能算法在参数寻优里的实测排位
把 41~45 号策略跑在同一批历史 tick 上，用猴群、混合蛙跳、鱼群、随机与灰狼五类算法做入场参数寻优，横向比一下谁更扛造。 表里的 12 列指标里，最后一列是综合耗时（秒），倒数第二列是收敛迭代次数。猴群 MA 跑出 2.196 次迭代、24.40 秒，是这组里最慢的；灰狼 GWO 只要 2.009 次、22.32 秒，收敛最快且指标列波动最小。 随机 RND 的 1.18234 综合适应度并不比鱼群 FSS 的 1.26833 差太多，说明这类外汇/贵金属信号对初始种群质量不敏感，盲目上复杂算法可能只是多烧 CPU。 开 MT5 把同一 EA 的 optimizer 换成 GWO 与 RND 各跑一轮，对比最终 pass 交易的 sharpe 分布，比盯着算法名更有用。群智能寻参本质是高波动品种上的概率游戏，实盘前请用点差扩展后的数据重验。
「画得少，看得清」
实测里这套 AAA 算法的收敛性偏弱，在综合评级表里排得很靠后，说明堆了再多变量和方法，质量也不一定跟得上。但它也不是一无是处：在 1000 维的 Forest 函数和 Megacity 函数上，它比最接近的对手表现更好，说明面对「尖锐」极值和离散结构时，扩展性还有点东西。 图例里的直方图标尺是 0 到 100，数字越大越好，100 只是理论天花板；表格里相关性等级 ≥0.99 的结果用白色标出，读者自己跑一遍就能核对。参数多、难调、难调试是硬伤，作者也明说结论只基于实验、不担保标准描述准确。 外汇和贵金属市场高波动、高杠杆，这类优化算法直接上实盘风险很大，拿去回测验证可以，别当成印钞机。代码归档在 ZIP 里，MT5 打开跑一下，比看结论实在。