基于人工生态系统的优化（AEO）算法（基础篇）
「AEO 算法在 MT5 测试器里的落地表现」
基于人工生态系统的优化（AEO）算法是一类受生态种群演替启发的启发式搜索方法，在 MetaTrader 5 中可通过自定义优化引擎接入策略测试器。2025 年 6 月 2 日的一次公开测试中，该算法相关讨论帖在 MT5 社区获得 635 次查看、0 条回复，说明实盘圈对其仍处观望。 从工程角度看，AEO 的价值不在「预测」而在「寻参」：它用生产者—消费者—分解者的角色轮换替代遗传算法的交叉变异，倾向在多维参数空间中跳出局部最优。外汇与贵金属品种点差跳变频繁，此类算法过拟合风险高，任何回测优势都只是概率倾向。 要在 MT5 验证，先把 EA 的 OnTester() 钩子接上自定义优化目标，再于策略测试器选「自定义优化」模式跑一遍，对比默认遗传算法的收敛曲线即可。
◍ 把草原搬进优化器：AEO 怎么用生态链更新解
2019年提出的AEO（Artificial Ecosystem-based Optimization）把自然生态系统直接映射成数学优化流程。它不靠梯度，而是用一群“物种”代表解，每个解有独立特征和适应能力，靠相互作用传递信息来抬升整体种群质量。 算法里能量沿食物链流动，被换成信息在智能体间传递：最差解叫“草”，平均解是“草食动物”，最优解是“肉食动物”，食腐动物对应分解者。信息从草流向肉食动物，相当于把劣质解的探索经验喂给优质解，降低盲搜成本。 迭代分消耗与分解两阶段。消耗阶段按竞争或合作更新位置；分解阶段把当前决策相对全局最优解做高斯分布扰动，把信息重新撒回搜索空间，用来逃局部最优。这一机制让探索和利用在每轮都重新平衡，而不是固定比例切换。 自然里的随机突变用莱维分布实现，确定性规则用自然选择式保留。你开MT5跑EA参数优化时，若默认遗传算法容易早熟，可把这类生态型更新策略当成替代算子试一轮，看收敛曲线是否更晚 flatten。外汇与贵金属市场高风险，任何优化结果仅代表历史样本倾向，实盘前须多周期验证。
AEO 的三算子怎么落进代码
人工生态系统优化（AEO）把自然界能量传递压缩成三个算子：生产、消费、分解。生产阶段只动最差个体 X1，用最优个体 Xn 加随机坐标来更新，公式 X1(t+1)=(1-a)*Xn(t)+a*Xrand(t)，其中 a=(1-t/T)*r1；实际写代码时常把 r1 省掉，因为 Xrand 本身已是随机量。消费阶段按概率平分三种策略：草食动物吃最差解、肉食动物吃随机更优解、杂食动物混合两者，消费因子 C 由均匀随机数比值决定。分解阶段全体个体按 Xi(t+1)=Xn(t)+D*(e*Xn(t)-h*Xi(t)) 扰动，D=3u 且 u 服从标准正态。 莱维分布在原版伪代码里负责生成远距离跳跃，但它尾部无限长、需要 4 个均匀随机数构造，边界处理极易出 0 除或 log(0)。工程上更划算的做法是自己写一个 LevyFlightDistribution，把输出严格压到 [0,1]：用 levisPower 控制稀疏度，r 在 1~20 均匀取，再算 r^(-levisPower)，最后减最小值除 (1-最小值) 归一。levisPower 越高分布越偏 0，速度比标准莱维快一个数量级。 C_AO_AEO 类从 C_AO 派生，Init 里 epochs 取自参数、epochNow 归 0、consModel 置 0 表示先从消费起步，临时数组 aT 按 popSize Resize；任何一步失败就返回 false。Moving 方法首轮只做随机坐标初始化并把 revision 置 true，之后 consModel==0 走消费（索引 0 用高斯、末位走 GrassBehavior、其余随机三选一），非 0 走分解逐坐标更新。Revision 则扫一遍种群抓全局最优写进 cB，再更新个体最优并依此排序。 开 MT5 把 LevyFlightDistribution 丢进 C_AO_Utilities，用 levisPower=1.5 跑一组无约束函数，对比标准莱维看收敛步数差异；外汇或贵金属参数优化属高风险，结果仅作概率性参考。
「AEO 里三种觅食智能体怎么动」
人工生态系统优化（AEO）把种群拆成食草、食肉、杂食三类智能体，各自用不同方程更新坐标。核心调度参数是 α，公式为 (1.0 - (double) epochNow / epochs)，随迭代次数上升而线性衰减——前期 α 大，随机探索权重高；后期 α 趋近 0，算法更专注打磨已找到的解。 食草动物行为在 HerbivoreBehavior 里实现：取当前智能体坐标 Xi 与最差智能体坐标 X1，按 Xi(t+1) = Xi(t) + C·(Xi(t) - X1(t)) 更新，C 来自莱维分布。这相当于“吃掉”能量最高（适应度最差）的成员，被迫去搜更没希望的区域。食肉动物走 CarnivoreBehavior：随机挑一个猎物索引 j，用 Xi(t+1) = Xi(t) + C*(Xj(t) - Xi(t)) 向猎物坐标靠拢，改善自身表现。 杂食动物最灵活，OmnivoreBehavior 引入随机概率 r 混合两种梯度：Xi(t+1) = Xi(t) + C*r*(Xi(t)-X1(t)) + (1-r)*(Xi(t)-Xj(t))。既啃最差个体也随机吃弱成员。三类更新后都用 SeInDiSp 把坐标夹回 [Xmin, Xmax] 约束区间。 原始版在 Hilly / Forest / Megacity 三组测试函数上各跑 10000 次：5 维 Hilly 结果 0.699，500 维降到 0.253；Forest 从 0.691 降到 0.156；Megacity 从 0.543 降到 0.100。总分 3.23131，折合 35.90%，属于中等水平。 我后来改了 Moving 方法，把“生产”单独拆成一个迭代阶段（consModel=0），消费阶段再按随机值分三组，分解阶段做智能体互交，末尾重置 consModel。可视化时能直接看到种群“闪烁”——生态阶段切换带来的剧烈动荡。下面这段是莱维飞行与分布生成的底层代码，C 值就来自这里。
<span class="keyword">class="type">class="kw">double</span> LevyFlight() { <span class="keyword">class="kw">const</span> <span class="keyword">class="type">class="kw">double</span> epsilon = <span class="number">class="num">1</span>e-<span class="number">class="num">10</span>; <span class="comment">class=class="str">"cmt">// Small value to avoid division by zero</span> <span class="keyword">class="kw">const</span> <span class="keyword">class="type">class="kw">double</span> maxValue = <span class="number">class="num">1</span>e10; <span class="comment">class=class="str">"cmt">// Maximum allowed value</span> <span class="keyword">class="type">class="kw">double</span> log1 = <span class="functions">MathMax</span> (RNDprobab(), epsilon); <span class="keyword">class="type">class="kw">double</span> log2 = <span class="functions">MathMax</span> (RNDprobab(), epsilon); <span class="keyword">class="type">class="kw">double</span> cos1 = <span class="functions">MathCos</span> (<span class="number">class="num">2</span> * <span class="macro">M_PI</span> * RNDprobab()); <span class="keyword">class="type">class="kw">double</span> cos2 = <span class="functions">MathCos</span> (<span class="number">class="num">2</span> * <span class="macro">M_PI</span> * RNDprobab()); <span class="keyword">class="type">class="kw">double</span> U = <span class="functions">MathSqrt</span> (-<span class="number">class="num">2.0</span> * <span class="functions">MathLog</span> (log1)) * cos1; <span class="keyword">class="type">class="kw">double</span> v = <span class="functions">MathSqrt</span> (-<span class="number">class="num">2.0</span> * <span class="functions">MathLog</span> (log2)) * cos2; <span class="keyword">class="type">class="kw">double</span> l = <span class="number">class="num">0.5</span> * <span class="functions">MathAbs</span>(U) / <span class="functions">MathMax</span>(<span class="functions">MathAbs</span>(v), epsilon); <span class="keyword">class="kw">return</span> l; } <span class="comment">class=class="str">"cmt">//------------------------------------------------------------------------------</span> <span class="comment">class=class="str">"cmt">//A distribution function close to the Levy Flight distribution.</span> <span class="comment">class=class="str">"cmt">//The function generates numbers in the range [class="num">0.0;class="num">1.0], with the distribution shifted to class="num">0.0.</span> <span class="keyword">class="type">class="kw">double</span> C_AO_Utilities :: LevyFlightDistribution(<span class="keyword">class="type">class="kw">double</span> levisPower) { <span class="keyword">class="type">class="kw">double</span> min = <span class="functions">pow</span> (<span class="number">class="num">20</span>, -levisPower); <span class="comment">class=class="str">"cmt">//calculate the minimum possible value</span> <span class="keyword">class="type">class="kw">double</span> r = RNDfromCI(<span class="number">class="num">1.0</span>, <span class="number">class="num">20</span>); <span class="comment">class=class="str">"cmt">//generating a number in the range [class="num">1; class="num">20]</span> r = <span class="functions">pow</span> (r, -levisPower); <span class="comment">class=class="str">"cmt">//we raise the number r to a power</span> r = (r - min) / (<span class="number">class="num">1</span> - min); <span class="comment">class=class="str">"cmt">//we scale the resulting number to [class="num">0; class="num">1]</span>
◍ 把 AEO 优化器接进自己的 EA
上面这段类定义给出的是一个基于人工生态系统（AEO）的优化算法封装，类名 C_AO_AEO 继承自通用优化基类 C_AO。它在构造函数里把种群规模写死成 50，levisPower 设成 2，并把这两个量登记进 params 数组，方便后续在 MT5 参数面板里改。 初始化函数 Init 接收搜索空间的下界、上界、步长以及迭代轮数 epochsP。内部先调 StandardInit 做边界与维度校验，失败直接返 false；通过后把 epochs、epochNow 清零，consModel 置 0，并按 popSize 给个体数组 aT 分配内存。 想在实盘前先验证这套结构，把代码原样贴进 MT5 的 Include 目录，新建一个 EA 继承 C_AO_AEO，把 popSize 从 50 调到 30 看收敛速度变化，外汇与贵金属杠杆品种波动剧烈，回测结果仅代表历史概率，实盘仍属高风险。
class C_AO_AEO : class="kw">public C_AO { class="kw">public: class=class="str">"cmt">//-------------------------------------------------------------------- ~C_AO_AEO() { } C_AO_AEO() { ao_name = "AEOm"; ao_desc = "Artificial Ecosystem-based Optimization Algorithm"; ao_link = "[MQL5官方文档] popSize = class="num">50; class=class="str">"cmt">// population size levisPower = class="num">2; ArrayResize(params, class="num">2); params [class="num">0].name = "popSize"; params [class="num">0].val = popSize; params [class="num">1].name = "levisPower"; params [class="num">1].val = levisPower; } class="type">void SetParams() { popSize = (class="type">int)params [class="num">0].val; levisPower = 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 levisPower; class="kw">private: class=class="str">"cmt">//------------------------------------------------------------------- class="type">int epochs; class="type">int epochNow; class="type">int consModel; class=class="str">"cmt">// consumption model; S_AO_Agent aT []; class="type">void GrassBehavior(S_AO_Agent &animal); class="type">void HerbivoreBehavior(S_AO_Agent &animal, class="type">int indCoord); class="type">void CarnivoreBehavior(S_AO_Agent &animal, class="type">int indAnimal, class="type">int indCoord); class="type">void OmnivoreBehavior(S_AO_Agent &animal, class="type">int indAnimal, class="type">int indCoord); }; class="type">bool C_AO_AEO::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 false; class=class="str">"cmt">//---------------------------------------------------------------------------- epochs = epochsP; epochNow = class="num">0; consModel = class="num">0; ArrayResize(aT, popSize); class="kw">return true; }