⚙️
ALGLIB库优化方法（第一部分）·综合运用
（3/3）· 从BLEIC、L-BFGS到NS，前两部分拆完算法，这一篇只讲怎么在EA里真正跑通组合优化
很多人把ALGLIB三个优化器当孤立函数调，结果箱约束和线性约束混写直接报异常。其实NS求解器能吞下前两类约束的叠加场景，只是调用顺序和梯度开关容易配反。先把约束类型在纸上列清楚，再选求解器，比盲目试错省一半编译时间。
NS算法与AGS求解器的实战约束
NS（非光滑非凸优化）专门处理目标函数带断裂、跳跃且非凸的问题，典型场景是函数地形里同时存在多个局部极小和‘山谷’。它靠梯度采样绕开不可导点，每一步在当前解附近随机取点估梯度，再落成受限二次规划求移动方向，迭代更新。 AGS自适应梯度采样求解器是NS的核心，支持箱型、线性和非线性非光滑三类约束，还内置数值微分与变量缩放。但它有明显短板：不是为高维设计的——每步约做 2·N 次梯度评估，收敛常需 O(N) 次迭代，整轮优化就是 O(N²) 次估计，比起 L-BFGS 每步 O(1) 重很多。 边界变量必须用 CRowDouble 而非 double，且需包一层继承 CNDimensional_FVec 的包装类。虚方法改成 FVec 后，注意不能返回 DBL_MAX 当适应度，否则直接报错；正确做法是额外维护字段 fW 记录最差解并取负返回，停止调用也换成 MinNSRequestTermination。 跑抛物面测试时，设最大运行次数 10000 却实际调了 1006503 次，说明该参数对 NS 没生效。微分步长也敏感：用 1e-16 过早停滞，仅 96378 次调用就卡在 0.67849；而默认 1e-5 配 radius=0.8、rho=50 能正常迭代。外汇/贵金属参数寻优用 NS 须警惕高维下的百万级调用与终端假死风险。
MQL5 / C++
<span class="comment">class=class="str">"cmt">//——————————————————————————————————————————————————————————————————————————————</span> <span class="keyword">class="type">void</span> <span class="functions">OnStart</span> () { <span class="comment">class=class="str">"cmt">// Initialization of optimization parameters---------------------------------------</span> <span class="keyword">class="type">int</span> numbTestFuncRuns = <span class="number">class="num">10000</span>; <span class="keyword">class="type">int</span> params = <span class="number">class="num">1000</span>; <span style="class="type">color:rgb(class="num">153, class="num">153, class="num">153);">class=class="str">"cmt">// Additionally, you need to specify --------------</span> <span style="background-class="type">color:rgb(class="num">249, class="num">204, class="num">202);">CRowDouble</span> rangeMin, rangeMax; rangeMin.Resize(params); rangeMax.Resize(params); <span class="keyword">class="type">class="kw">double</span> rangeStep; <span class="keyword">for</span> (<span class="keyword">class="type">int</span> i = <span class="number">class="num">0</span>; i < params; i++) { rangeMin.Set(i, -<span class="number">class="num">10</span>); rangeMax.Set(i, <span class="number">class="num">10</span>); } rangeStep = <span class="macro">DBL_EPSILON</span>; <span style="background-class="type">color:rgb(class="num">249, class="num">204, class="num">202);">CRowDouble</span> x, s; x.Resize(params); s.Resize(params); s.Fill(<span class="number">class="num">1</span>); <span style="class="type">color:rgb(class="num">153, class="num">153, class="num">153);"> class=class="str">"cmt">// Generate random initial parameter values in given ranges----</span> <span class="keyword">for</span> (<span class="keyword">class="type">int</span> i = <span class="number">class="num">0</span>; i < params; i++) { x.Set(i, rangeMin [i] + ((rangeMax [i] - rangeMin [i]) * <span class="functions">rand</span> () / <span class="number">class="num">32767.0</span>)); } <span class="comment">class=class="str">"cmt">// Create objects for optimization------------------------------------------</span> C_OptimizedFunction fFunc; fFunc.Init(params, numbTestFuncRuns); CObject obj; CNDimensional_Rep frep; CMinNSReport rep; <span style="class="type">color:rgb(class="num">153, class="num">153, class="num">153);"> class=class="str">"cmt">// Set the parameters of the NS optimization algorithm------------------------------</span> <span class="keyword">class="type">class="kw">double</span> diffStep = <span class="number">class="num">0.00001</span>; <span class="keyword">class="type">class="kw">double</span> <span style="background-class="type">color:rgb(class="num">255, class="num">242, class="num">153);">radius</span> = <span class="number">class="num">0.8</span>; <span class="keyword">class="type">class="kw">double</span> <span style="background-class="type">color:rgb(class="num">255, class="num">242, class="num">153);">rho</span> = <span class="number">class="num">50.0</span>; CAlglib::MinNSCreateF (x, diffStep, fFunc.state); CAlglib::MinNSSetBC (fFunc.state, rangeMin, rangeMax); CAlglib::MinNSSetScale (fFunc.state, s); CAlglib::MinNSSetCond (fFunc.state, rangeStep, numbTestFuncRuns); <span style="background-class="type">color:rgb(class="num">216, class="num">232, class="num">194);">CAlglib::MinNSSetAlgoAGS</span> (fFunc.state, <span style="background-class="type">color:rgb(class="num">255, class="num">242, class="num">153);">radius</span>, <span style="background-class="type">color:rgb(class="num">255, class="num">242, class="num">153);">rho</span>); CAlglib::MinNSOptimize (fFunc.state, fFunc, frep, obj); CAlglib::MinNSResults (fFunc.state, x, rep); <span class="comment">class=class="str">"cmt">// Output of optimization results-----------------------------------------------</span> <span class="functions">Print</span> (<span class="class="type">class="kw">string">"NS, best result: "</span>, fFunc.fB, <span class="class="type">class="kw">string">", number of function launches: "</span>, fFunc.numberLaunches); } <span class="comment">class=class="str">"cmt">//——————————————————————————————————————————————————————————————————————————————</span> <span class="comment">class=class="str">"cmt">//——————————————————————————————————————————————————————————————————————————————</span><span style="class="type">color:rgb(class="num">153, class="num">153, class="num">153);"> class=class="str">"cmt">// Class for function optimization, inherits from CNDimensional_FVec </span><span class="keyword">class</span> C_OptimizedFunction : <span class="keyword">class="kw">public</span> <span style="background-class="type">color:rgb(class="num">216, class="num">232, class="num">194);">CNDimensional_FVec</span> {
◍ 优化外壳如何接管目标函数调用
在 MT5 里做参数寻优时，真正被算法反复调用的不是你的策略主逻辑，而是一个继承自 C_OptimizedFunction 的虚函数 FVec。它每次拿到一组坐标 x，算完目标函数后把结果塞进 fi，顺便维护最好 / 最差解的轨迹。 Init 负责把 Launch 计数器归零、设定最大调用次数 maxNumberLaunchesAllowed，并用 ArrayResize 按 coords 维度开好当前坐标数组 c 与最优坐标数组 cB；fB 初始化为 -DBL_MAX（记录最大目标值），fW 初始化为 DBL_MAX（记录最差目标值）。 FVec 第一行就 numberLaunches++，一旦超过允许次数，直接 fi.Set(0, -fW) 并调用 MinNSRequestTermination(state) 终止 Alglib 的 Nelder-Mead 搜索——注意这里返回的是 -fW 而非注释里写的 DBL_MAX，避免优化器收到非法极值。 正常分支里，坐标拷进 c 后跑 ObjectiveFunction(c)，把 -ffVal 写回 fi（因为 Alglib 默认求最小，所以取负把“求最大”转成“求最小”）；随后用 ffVal 刷新 fW 与 fB，最优时 ArrayCopy(cB, c) 留存坐标。外汇与贵金属品种波动剧烈，这套寻优在外挂实盘前务必用历史数据多轮回测，过拟合概率偏高。 开 MT5 把这段直接贴进 EA 的优化类，改 ObjectiveFunction 内部为你自己的夏普或回撤指标，就能跑通一套不带源码暴露的闭包寻优。
MQL5 / C++
class="kw">public: class=class="str">"cmt">//-------------------------------------------------------------------- C_OptimizedFunction(class="type">void) { } ~C_OptimizedFunction(class="type">void) { } class=class="str">"cmt">// A class="kw">virtual function to contain the function being optimized-------- class="kw">virtual class="type">void FVec(CRowDouble &x, CRowDouble &fi, CObject &obj); class=class="str">"cmt">// Initialization of optimization parameters--------------------------------------- class="type">void Init(class="type">int coords, class="type">int maxNumberLaunchesAllowed) { numberLaunches = class="num">0; maxNumbLaunchesAllowed = maxNumberLaunchesAllowed; fB = -DBL_MAX; fW = DBL_MAX; ArrayResize(c, coords); ArrayResize(cB, coords); } class=class="str">"cmt">//---------------------------------------------------------------------------- CMinNSState state; class=class="str">"cmt">// State class="type">int numberLaunches; class=class="str">"cmt">// Launch counter class="type">class="kw">double fB; class=class="str">"cmt">// Best found value of the objective function(maximum) class="type">class="kw">double fW; class=class="str">"cmt">// Worst found value of the objective function(maximum) class="type">class="kw">double cB []; class=class="str">"cmt">// Coordinates of the point with the best function value class="kw">private: class=class="str">"cmt">//-------------------------------------------------------------- class="type">class="kw">double c []; class=class="str">"cmt">// Array for storing current coordinates class="type">int maxNumbLaunchesAllowed; class=class="str">"cmt">// Maximum number of function calls allowed }; class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class="type">void C_OptimizedFunction::FVec(CRowDouble &x, CRowDouble &fi, CObject &obj) { class=class="str">"cmt">// Increase the function launch counter and limitation control--------------- numberLaunches++; if (numberLaunches >= maxNumbLaunchesAllowed) { class=class="str">"cmt">//fi.Set(class="num">0, DBL_MAX); //Cannot class="kw">return DBL_MAX value fi.Set(class="num">0, -fW); CAlglib::MinNSRequestTermination(state); class="kw">return; } class=class="str">"cmt">// Copy input coordinates to internal array------------------------- for (class="type">int i = class="num">0; i < x.Size(); i++) c [i] = x [i]; class=class="str">"cmt">// Calculate objective function value---------------------------------------- class="type">class="kw">double ffVal = ObjectiveFunction(c); fi.Set(class="num">0, -ffVal); class=class="str">"cmt">// Update the best and worst solutions found---------------------------- if (ffVal < fW) fW = ffVal; if (ffVal > fB) { fB = ffVal; ArrayCopy(cB, c); } }
「一点提醒」
这套 ALGLIB 优化示例已经把 BLEIC、L-BFGS 和 NS 三个算法的可直接跑的脚本都给了出来，压缩包里三个 .mq5 文件分别对应 1 个测试脚本，合计 4.36 KB，开 MT5 拖进去就能看目标函数被调了多少次。 前面几节聊到的「调用次数失控」不是吓人，BLEIC 在约束边界抖动点位时，实测函数求值次数会随维度线性往上窜，跑之前最好先在脚本里把 maxits 写死。 外汇与贵金属参数优化本质是高杠杆高风险博弈，回测顺滑不代表实盘能复现，任何算法给出的都只是概率倾向。 文章里那句致谢和俄文原链只是出处注脚，真要落地，去作者 github 翻 Population-optimization-algorithms-MQL5 比反复读译文更省时间。
让小布替你跑这套
这些诊断小布盯盘的AIGC已内置，打开对应品种页即可看到多约束优化后的参数敏感带，把重复劳动交给小布，你专注决策。
常见问题
步长通常取变量量程的1e-4到1e-6，过大易漏掉拐点，过小会放大浮点噪声；实盘前用历史切片做敏感性扫描再定。
小布盯盘的AIGC模块已封装常见约束优化诊断，打开品种页可见参数敏感带与约束冲突提示，不需自己写MQL5胶水层。
平滑凸问题下两者极小值接近，但L-BFGS内存占用低、收敛快；非凸地形里BLEIC的边界处理更不易越界，概率上更稳。
ALGLIB数值法需变量连续可采样，若目标函数含离散分支（如手数取整）会断梯度，需用NS或外层包装连续松弛。
关于约束建模的完整讨论见《ALGLIB库优化方法（第一部分）·基础篇》。