基于人工生态系统的优化（AEO）算法·综合运用
（3/3）·前兩篇铺垫了原理与代码，这一篇用回测结果和组合策略说明AEO到底能不能用在实盘参数寻优
◍ AEO改版后的基准测试表现
把逻辑修正过的 AEO 重新丢进测试框架，每组函数跑 10000 次取均值。Hilly 在 5/25/500 变量下分别拿到 0.9138、0.4671、0.2647；Forest 对应为 0.9022、0.4370、0.2140；Megacity 离散函数则是 0.6615、0.3080、0.2856。三项加总 4.45407，折算最大可能值的 49.49%。 结果分布没有出现明显发散，说明改版后避开了局部陷阱，但收敛精度只能算中等。阶段切换时之前提过的「闪烁」现象还在，最反常的是 Megacity 离散面——算法把坐标组拆成穿越关键区域的垂直与对角线簇，这也让它在这类离散函数上的排名冲到同规模第一。 横向看排名表，AEO 列第 25 位，前面 ANS、CLA、AMOm 等都在 60% 以上。但在 Megacity 1000 变量（500 F）一格它填了 0.28563，比榜单头名的 0.23091 高出约 5 个百分点，创下该离散项的纪录。外汇与贵金属参数寻优属高风险场景，这类基准分数只说明算法倾向性，实盘须自行压测。
群智能算法回测指标横向对比
上面这七组优化算法在同一 EA 框架下的回测切片，给了一个很直白的结论：GSA 引力搜索以 2.911 的综合评分和 32.34 的归一化收益位列第一，BFO、ABC 紧随其后，而 IWDm 智能水滴 M 掉到 2.255 / 25.06 垫底。 看细项会发现，GSA 在最大回撤控制上并不算最猛（0.30062 的 drawdown 因子排第三），但它靠 1.44016 的夏普类稳定性把总分拉了上来；反观 BA 蝙蝠算法，虽然回撤因子 0.35242 偏高，但单笔盈利分布更集中，综合分仍压过 AAA 和 SA。 外汇与贵金属品种用这类算法做参数寻优，本质上是在过拟合边缘试探，实盘滑点和点差扩张可能让回测优势快速衰减。建议把这些数值当「算法脾气图谱」而非盈利承诺，开 MT5 用同一品种周期重跑一遍，确认 GSA 的优势在你自己的 broker 环境里是否还在。
「画得少，看得清」
AEO 这套群体优化思路，真正落到 MT5 上最省心的点在于外部参数只有一个（种群规模另算），加上离散高维函数里表现稳，适合不愿调参调到吐的交易者拿去做特征筛选或权重寻优。 回测图例里把评级 ≥0.99 的解标白，直方图标尺 0–100、100 为理论上限，能直观看出多数跑分落在中高段，但收敛精度并非同类的顶。外汇与贵金属波动带跳空，用这类算法出海龟或仓位系数仍属高风险，实盘前务必在策略测试器跑满多品种多周期。 作者随文给了 AEO.zip（36.96 KB）含当前版 MQL5 代码，许多标准描述已被改过以提升搜索力，准确性他不背书。要验真伪，下完直接开 MT5 编译跑一次离散测试函数最实在。