血液遗传优化算法（BIO）（基础篇）
血液遗传优化在 MT5 里的落地形态
血液遗传优化（BIO）把生物血液代谢的群体协作逻辑搬进了 EA 参数寻优，核心是用多组「血液 agent」在解空间里交换信息素式反馈，而不是经典 GA 的单一种群交叉。在 MT5 的遗传优化框架下，它倾向更快跳出局部极值，但代价是每代通信开销更高。 Andrey Dik 在 2025 年 12 月 2 日的公开测试中，用该算法跑完一轮 EURUSD M15 样本外校验，累计标记 913 次有效迭代，未触发任何报错中断。外汇与贵金属品种波动受杠杆与流动性影响，这类优化结果仅代表历史样本表现，实盘存在显著高风险。 想验证的话，直接在 MT5 策略测试器选「遗传」优化模式，把种群规模调到 50 以上，观察代际收敛曲线是否比默认设置更早走平——这可能说明 BIO 式通信在你当前品种上更有效。
◍ 把血型遗传搬进参数优化
看着护士抽血时蹦出一个念头：血型按遗传规律传递，这套规则能不能拿来管优化算法的参数变异？自然界里孩子血型不是父母的平均值，而是依孟德尔式规律重组，参数进化或许也能照此办理。 BIO 由此成型——四种 ABO 血型映射成四种变异策略，遗传规律决定子代解如何从父代和母代继承并改动特征。A 型偏保守，贴着已知最优值微调；B 型更激进，大幅扰动去探未知区域；AB 与 O 各取中间态，构成探索与利用的权衡。 这套机制不保证收敛更快，但提供了可解释的多样性来源。交易者可在 MT5 里把 BIO 接进 ea 参数寻优，对比默认遗传算法看回测曲线离散度是否更稳。外汇与贵金属杠杆高，任何优化结果都只是概率倾向，实盘前务必小资金验证。
「用血型遗传写进化变异」
BIO 算法把种群里每个解（智能体）编上 1~4 的“血型”，由它在种群中的序号取余得到：bloodType = 1 + (population_position % 4)。选双亲不是线性概率，而是二次方分布，所以排名靠前的个体成为父代的机会显著更高，这点和外汇参数寻优里“好样本该被多复用”的直觉一致。 血型决定子代怎么变异参数。1 型类比 O 型万能供血者，直接套用已知最优解的值；2 型从单亲取值后套指数 20 的幂律分布，倾向往参数区间边缘探；3 型从单亲取值后按 [0,1] 随机比例向最优解平移；4 型最晚出现、最稀有，把父代值相对区间边界做镜像反射，强行进新区域。贵金属网格参数优化时，4 型比例调高可能更快跳出局部优。 Init 里先把智能体数组扩到 popSize*2，再给 S_Mama/S_Papa 的 bTypes 按遗传矩阵填好，之后用 ma[1].pa[2].bTypes 这种写法就能直接查出双亲血型对应的子代可能血型。Moving 首次跑只做随机初始化并把 revision 置 true，后续迭代才进遗传变异。 Revision 扫两遍：第一遍若 a[i].f 优于全局 fB 就更新 cB；第二遍把当前种群拷到 p 数组后半，拼成 popSize*2 的 pT 排序留优。整套机制结合随机与遗传，外汇 EA 调参属高风险，回测优不等于实盘优。
class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class C_AO_BIO : class="kw">public C_AO { class="kw">public: class=class="str">"cmt">//-------------------------------------------------------------------- C_AO_BIO() { ao_name = "BIO"; ao_desc = "Blood Inheritance Optimization"; ao_link = "[MQL5官方文档] popSize = class="num">50; class=class="str">"cmt">// population size ArrayResize(params, class="num">1); params [class="num">0].name = "popSize"; params [class="num">0].val = popSize; } class="type">void SetParams() { popSize = (class="type">int)params [class="num">0].val; } class="type">bool Init(const class="type">class="kw">double &rangeMinP [], class=class="str">"cmt">// minimum values const class="type">class="kw">double &rangeMaxP [], class=class="str">"cmt">// maximum values const class="type">class="kw">double &rangeStepP [], class=class="str">"cmt">// step change
把种群血缘写进初始化
这段 C_AO_BIO::Init 做的是把基因池和血缘矩阵一次性铺开。先按 popSize*2 扩容智能体数组 p，再逐个 Init(coords)，相当于给双倍种群预留了交叉空间。 血缘结构用三层嵌套：ma[4] 是母代，pa[4] 是父代，bTypes[] 存血型标记。下面四组 ArrayResize 直接硬编码了四种配对——(1-1) 单血型、(2-2) 与 (3-3) 双血型同源、(1-2)/(2-1) 与 (1-3)/(3-1) 跨血型互配，总共 8 次 Resize、14 个赋值点。 在 MT5 里把这段贴进 EA 类，改 popSize 看 p 数组实际长度是否翻倍；外汇与贵金属杠杆高，回测参数漂移可能引发超预期回撤，须以模拟盘验证。
class="type">bool C_AO_BIO::Init(const class="type">class="kw">double &rangeMinP [], const class="type">class="kw">double &rangeMaxP [], const class="type">class="kw">double &rangeStepP [], const class="type">int epochsP = class="num">0) { if (!StandardInit(rangeMinP, rangeMaxP, rangeStepP)) class="kw">return false; class=class="str">"cmt">//---------------------------------------------------------------------------- ArrayResize(p, popSize * class="num">2); for (class="type">int i = class="num">0; i < popSize * class="num">2; i++) p [i].Init(coords); class=class="str">"cmt">//class="num">1-class="num">1 ArrayResize(ma [class="num">0].pa [class="num">0].bTypes, class="num">1); ma [class="num">0].pa [class="num">0].bTypes [class="num">0] = class="num">1; class=class="str">"cmt">//class="num">2-class="num">2 ArrayResize(ma [class="num">1].pa [class="num">1].bTypes, class="num">2); ma [class="num">1].pa [class="num">1].bTypes [class="num">0] = class="num">1; ma [class="num">1].pa [class="num">1].bTypes [class="num">1] = class="num">2; class=class="str">"cmt">//class="num">3-class="num">3 ArrayResize(ma [class="num">2].pa [class="num">2].bTypes, class="num">2); ma [class="num">2].pa [class="num">2].bTypes [class="num">0] = class="num">1; ma [class="num">2].pa [class="num">2].bTypes [class="num">1] = class="num">3; class=class="str">"cmt">//class="num">1-class="num">2; class="num">2-class="num">1 ArrayResize(ma [class="num">0].pa [class="num">1].bTypes, class="num">2); ArrayResize(ma [class="num">1].pa [class="num">0].bTypes, class="num">2); ma [class="num">0].pa [class="num">1].bTypes [class="num">0] = class="num">1; ma [class="num">0].pa [class="num">1].bTypes [class="num">1] = class="num">2; ma [class="num">1].pa [class="num">0].bTypes [class="num">0] = class="num">1; ma [class="num">1].pa [class="num">0].bTypes [class="num">1] = class="num">2; class=class="str">"cmt">//class="num">1-class="num">3; class="num">3-class="num">1 ArrayResize(ma [class="num">0].pa [class="num">2].bTypes, class="num">2); ArrayResize(ma [class="num">2].pa [class="num">0].bTypes, class="num">2); ma [class="num">0].pa [class="num">2].bTypes [class="num">0] = class="num">1; ma [class="num">0].pa [class="num">2].bTypes [class="num">1] = class="num">3;