射箭算法（Archery Algorithm, AA）（基础篇）
射箭算法在 MT5 的落点
射箭算法（Archery Algorithm, AA）是一套面向 MetaTrader 5 的优化搜索逻辑，由 Andrey Dik 在 2025 年 4 月 30 日公开测试，社区页面记录曝光量为 987 次、互动 2 条。 该算法把参数空间类比成靶面，迭代过程像射箭一样不断逼近高适应度区域，而非暴力网格遍历。对做外汇或贵金属 EA 调参的交易者来说，这类方法在高波动品种上可能缩短寻优时间，但实盘前必须在 MT5 策略测试器里跑通，毕竟杠杆品种回撤失控的风险很高。 原文给出的结构只列了「概述 / 算法实现 / 测试结果」三段骨架，尚未展开代码层。你可以先在 MT5 里新建一个 EA 骨架，预留这三个函数区块，等后续小节补完再填射箭寻优内核。
「确定性还是随机：优化方法的两路分野」
优化在金融与交易中早已不是锦上添花，而是策略开发与改进的基础动作。它既能用来孵化新策略，也能给旧策略调参提效。但方法本身有条件地分成两类：走数学导数的确定性方法，和靠随机过程的随机方法。 像梯度下降这类确定性方法，用导数硬算最优解，严谨、可预测，适合把不同场景先模拟一遍。可一旦问题变成非线性或多变量，它的有效性可能断崖式下滑。这时候随机方法就顶上来了——靠随机过程在复杂约束里掏出能用的解，对波动市场尤其对口。 现实里两类常常混着用：确定性保底稳定条件，随机兜住变化条件，组合起来模型更皮实，预测质量上去的同时把风险压一压，这对投资管理很关键。 后面要聊的射箭算法（AA）是 Fatemeh Ahmadi Zeidabadi 等人 2022 年 2 月发的新随机类算法，靠随机选元素更新搜索空间里群体的位置生成准最优解。我们会拿标准目标函数跑一遍，跟已知算法比效率，看它怎么改写优化思路。外汇与贵金属市场高杠杆、高波动，任何优化结论都只是概率倾向，实盘前务必在 MT5 用历史数据自测。
◍ 射箭算法怎么落进 MT5 代码
射箭算法（AA）把每个候选解当成一名“射箭者”，用轮盘赌式概率挑一个目标成员，再按高斯扰动更新位置。训练强度参数 I 由 round(1 + rand(0,1)) 得出，取值 1 或 2 各占一半概率：I=1 时位置微调，I=2 时步幅放大，这直接决定了解空间探索的激进程度。
原始伪代码里群体用矩阵、成员用向量描述，但没说清矩阵具体操作。MT5 实现里把它拆成 S_AA_Agent 结构体加 C_AO_AAm 类，继承通用优化基类 C_AO。默认种群 50、继承概率 0.3，这两个值写在构造函数里，复制代码后第一件事就是调 SetParams 改掉。
Moving 方法首次调用时在边界内随机撒点，之后算最差适应度做归一化，填概率向量 P 和累积向量 C，按累积概率选伙伴射箭者。若随机值小于 inhProbab 就直接抄坐标，否则套高斯更新式。Revision 则盯全局最优和每个智能体自己的历史最优，越好的就写进 cPrev。
下面这段是结构定义与类骨架，逐行看：cPrev[] 存上一轮坐标，fPrev 存上一轮适应度；Init 里 fPrev=-DBL_MAX 是因为还没算过，保证任何真实值都更优；C_AO_AAm 构造函数把 ao_link 指向原文地址，但你在 EA 里用不到，可删。
<span class="comment">class=class="str">"cmt">//——————————————————————————————————————————————————————————————————————————————</span> <span class="keyword">class="kw">struct</span> S_AA_Agent { <span class="keyword">class="type">class="kw">double</span> cPrev []; <span class="comment">class=class="str">"cmt">// previous coordinates</span> <span class="keyword">class="type">class="kw">double</span> fPrev; <span class="comment">class=class="str">"cmt">// previous fitness</span> <span class="keyword">class="type">void</span> Init(<span class="keyword">class="type">int</span> coords) { <span class="functions">ArrayResize</span> (cPrev, coords); fPrev = -<span class="macro">DBL_MAX</span>; } }; <span class="comment">class=class="str">"cmt">//——————————————————————————————————————————————————————————————————————————————</span> <span class="comment">class=class="str">"cmt">//——————————————————————————————————————————————————————————————————————————————</span> <span class="keyword">class</span> C_AO_AAm : <span class="keyword">class="kw">public</span> C_AO { <span class="keyword">class="kw">public</span>: <span class="comment">class=class="str">"cmt">//--------------------------------------------------------------------</span> ~C_AO_AAm() { } C_AO_AAm() { ao_name = <span class="class="type">class="kw">string">"AAm"</span>; ao_desc = <span class="class="type">class="kw">string">"Archery Algorithm M"</span>; ao_link = <span class="class="type">class="kw">string">"[MQL5官方文档] popSize = <span class="number">class="num">50</span>; <span class="comment">class=class="str">"cmt">// population size</span> inhProbab = <span class="number">class="num">0.3</span>; <span class="functions">ArrayResize</span> (params, <span class="number">class="num">2</span>);
代理群初始化与游走阶段的代码落点
上面这段是某自适应代理算法类的收尾实现，核心是把种群规模 popSize 和继承概率 inhProbab 通过 params 数组对外暴露，再在 SetParams 里回写成员变量，方便在 MT5 输入框里直接调参而不碰源码。 Init 函数先调用 StandardInit 做范围校验，随后按 popSize 用 ArrayResize 拉起 agent 数组，并逐个 Init(coords) 把每个代理的坐标维度初始化好；如果 popSize 设成 50，就会精确生成 50 个 agent 实例。 Moving 里分两步走：revision 为 false 时，全体代理在 [rangeMin, rangeMax] 内均匀随机并吸附到搜索步长 grid 上，随后把 revision 置真；之后每轮才计算适应度最差值 F_worst 与概率向量 P、累积向量 C，进入带继承概率的筛选游走。外汇与贵金属市场波动剧烈、杠杆风险高，这类算法参数若直接接实盘，需先在历史数据上验证稳定性。 把 inhProbab 从默认 0.5 调到 0.8，代理更倾向沿用父代坐标，收敛可能更快但易陷局部极值；建议开 MT5 把下面代码贴进 EA 测试台，改两个数跑一遍观察种群分布。
params [class="num">0].name = "popSize"; params [class="num">0].val = popSize; params [class="num">1].name = "inhProbab"; params [class="num">1].val = inhProbab; } class="type">void SetParams() { popSize = (class="type">int)params [class="num">0].val; inhProbab = params [class="num">1].val; } class="type">bool Init(class="kw">const class="type">class="kw">double &rangeMinP [], class=class="str">"cmt">// minimum search range class="kw">const class="type">class="kw">double &rangeMaxP [], class=class="str">"cmt">// maximum search range class="kw">const class="type">class="kw">double &rangeStepP [], class=class="str">"cmt">// step search class="kw">const class="type">int epochsP = class="num">0); class=class="str">"cmt">// number of epochs class="type">void Moving(); class="type">void Revision(); class=class="str">"cmt">//---------------------------------------------------------------------------- class="type">class="kw">double inhProbab; class=class="str">"cmt">//probability of inheritance S_AA_Agent agent []; class="kw">private: class=class="str">"cmt">//------------------------------------------------------------------- }; class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class="type">bool C_AO_AAm::Init(class="kw">const class="type">class="kw">double &rangeMinP [], class="kw">const class="type">class="kw">double &rangeMaxP [], class="kw">const class="type">class="kw">double &rangeStepP [], class="kw">const class="type">int epochsP = class="num">0) { if (!StandardInit(rangeMinP, rangeMaxP, rangeStepP)) class="kw">return class="kw">false; class=class="str">"cmt">//---------------------------------------------------------------------------- ArrayResize(agent, popSize); for (class="type">int i = class="num">0; i < popSize; i++) agent [i].Init(coords); class="kw">return true; } class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class="type">void C_AO_AAm::Moving() { class=class="str">"cmt">//---------------------------------------------------------------------------- if (!revision) { for (class="type">int i = class="num">0; i < popSize; i++) { for (class="type">int c = class="num">0; c < coords; c++) { a [i].c [c] = u.RNDfromCI(rangeMin [c], rangeMax [c]); a [i].c [c] = u.SeInDiSp(a [i].c [c], rangeMin [c], rangeMax [c], rangeStep [c]); } } revision = true; class="kw">return; } class=class="str">"cmt">//------------------------------------------------------------------------- class=class="str">"cmt">// Calculate probability vector P and cumulative probability C class="type">class="kw">double P [], C []; ArrayResize(P, popSize); ArrayResize(C, popSize); class="type">class="kw">double F_worst = DBL_MAX; class="type">class="kw">double sum = class="num">0; for (class="type">int i = class="num">0; i < popSize; i++) { if (a [i].f < F_worst) F_worst = a [i].f; }