神经Boid优化算法2（NOA2）：混合集群智能与神经适应的架构基础（基础篇）
（1/3）·当鸟群学会用神经网络调参，传统优化器的探索开发失衡能否被自愈
多数交易者把优化器当成黑箱，扔进去参数等结果，却不知道群体智能为何卡在局部极值。把神经网络塞进每个Boid个体，意味着探索策略开始自我进化，而不是靠你手调权重。
「NOA2 在 MT5 里的实现与回测起点」
神经 Boid 优化算法 2（NOA2）是一套面向 MetaTrader 5 的群体智能优化思路，把 Boid 模型里的分离、对齐、聚合三类行为映射到参数空间搜索上，用神经网络做行为权重自适应。 原文作者 Andrey Dik 在 2026 年 3 月 16 日 14:36 发布了该实现，社区页面显示 586 次查看、0 条评论，说明这套东西还停留在少数人看过、没人公开挑刺的阶段。 从结构看，NOA2 分三块：概述描述数学动机，算法实现给具体代码，测试结果晒历史回测。想验证它是否真比网格搜索省算力，直接开 MT5 把算法实现那段拷进 EA 模板跑一次 EURUSD 的 H1 优化，比看概述实在。 外汇与贵金属品种波动受杠杆和流动性影响，任何优化器给出的历史表现都只是概率倾向，实盘前务必用策略测试器做样本外校验。
把鸟群智能塞进神经网络的优化器
做优化算法的人大多卡在一个点上：群体搜索能铺得开空间，但记不住哪片地形有用；神经网络能学模式，却容易在复杂适应度面上迷路。把两者焊在一起，是这几年比较实在的一条路。 具体做法是用经典 Boid 三规则（凝聚力、分离、对齐）让智能体自组织探索，再给每个智能体挂一个多层神经网络。网络从智能体自己的移动经验里学，按所在位置的适应度特征改移动策略——早期偏探索，撞到有前景区域后逐渐转开发。 有意思的是特化是自发出来的：贴着高产区的个体演化出加强局部开发的神经权重，待在稀疏区的个体反而维持探索倾向。没有全局协调，群体自然变成异质行为。外汇与贵金属参数优化属高风险实验，这种异构搜索可能比网格遍历更快收敛，但是否过拟合要看你自己的回测样本。
◍ 神经Boid智能体怎么在MT5里跑起来
神经Boid算法把雷诺兹鸟群三规则（聚合、分离、对齐）和每智能体一个小神经网络焊在一起：网络既调速度，也动态改三条规则的权重。这样每个点在解空间里既随大流又不盲从，探索与开发靠经验自平衡。 代码层先用 S_NeuroBoids_Agent 结构体扛住单智能体：x[] 存坐标、dx[] 存速度、inputs[]/outputs[]/weights[]/biases[] 跑三层网络，memory[] 记历史坐标与适应度。Init 把数组清0或随机小值；UpdateInputs 填坐标、速度、到最优距离、当前适应度；前向用 Tanh/ReLU/Sigmoid 算输出；Learn 仅在当前适应度优于记忆时才回更新权重。 C_AO_NOA2 类管种群。Init 里神经规模 = 坐标数×2 + 2（dist_to_best、current_fitness），distanceMax 按各轴范围差的平方和开方。停滞逻辑在 AdaptiveExploration：fB 与 m_prevBestFitness 差小于 0.000001 算无进展，计数器加；超 20 次把 explorationRate 抬到上限 0.5；每 50 次停滞迭代重启 70% 智能体（rangeMin~rangeMax 随机），留 30% 顶尖不动。 ApplyNeuralControl 是神经影响落点：对每个坐标 c，若 outputs 索引有效，dx[c] += boid.outputs[c] * neuralInfluence；聚合/分离/对齐因子越界则默认 0.5，再乘 base 权重。若随机值低于 explorationRate，按质量无关原则给某坐标加 [-perturbation_size, perturbation_size] 扰动。外汇/贵金属参数优化属高风险，回测过拟合可能放大实盘亏损。
「聚合、分离、对齐：Boid 群体三大行为的内核」
C_AO_NOA2 里的 Cohesion 方法靠两个辅助量驱动：numNeighbors 记邻域智能体数，sumMass 记其质量总和用于质心标准化。第一层循环从 0 到 popSize 累加除自身（索引 pos）外所有个体质量；第二层循环检查距离是否小于 maxDist * cohesionDist，满足则按质量加权累加 centerX 并递增计数器。 邻域存在（numNeighbors>0 且 sumMass>0.0）时，质心坐标除以 sumMass 完成标准化，随后当前智能体速度 dx 按 cohesionWeight 向质心偏移。cohesionDist 管生效半径，cohesionWeight 管质心拉力强度，这是群体聚合的核心机制。 Separation 用 moveX 数组存排斥位移，先全置 0 防随机值累积。遍历种群，Distance 小于 maxDist*separationDist 时，对每个坐标执行 boid坐标减邻体坐标，生成背向向量。遍历完乘 separationWeight 累加到 dx；该值越大避碰越硬，separationDist 控制排斥半径。 Alignment 用 avgDX 存邻域平均速度，跳过自身后距离小于 maxDist*alignmentDist 就累加邻体 dx 并计 numNeighbors。有邻域则 avgDX 除以数量得均值，再按 alignmentWeight 比率把自身速度拉向均值，减少方向突跳。 LimitSpeed 中 speed 为速度向量长：各坐标 dx 平方累加后 MathSqrt。若 speed>1e-10 且低于 speedMax[0]*minSpeed 则标准化后提到最小速；超 speedMax[0]*maxSpeed 则钳到最大速；近 0 时用 u.RNDfromCI(-1.0,1.0)*maxSpeed 填随机微速。minSpeed/maxSpeed 可配。 KeepWithinBounds 按坐标查 boid.x[c] 越 rangeMin[c] 则 dx[c]*=-1.0 并加 (rangeMax[c]-rangeMin[c])*0.001 推回；越 rangeMax[c] 同理减推力。Distance 则循环累加 (boid1.x[c]-boid2.x[c])^2 再开方得欧氏距离，支持任意维。 Revision 遍历种群 a，若 a[i].f>fB 则刷新 fB 与 cB 坐标、停滞计数器归零。进展判定用 MathAbs(fB-m_prevBestFitness)>0.000001，有明显改进才更新 m_prevBestFitness 并下调 explorationRate。下方结构体给出智能体字段基底，开 MT5 把代码贴入可对照上述方法逐字段验证。
class="kw">struct S_NeuroBoids_Agent { class="type">class="kw">double x []; class=class="str">"cmt">// current coordinates class="type">class="kw">double dx []; class=class="str">"cmt">// current speeds class="type">class="kw">double inputs []; class=class="str">"cmt">// neuron inputs class="type">class="kw">double outputs []; class=class="str">"cmt">// neuron outputs class="type">class="kw">double weights []; class=class="str">"cmt">// neuron weights class="type">class="kw">double biases []; class=class="str">"cmt">// neuron biases class="type">class="kw">double memory []; class=class="str">"cmt">// memory of previous positions and their fitnesses class="type">int memory_size; class=class="str">"cmt">// memory size for accumulating experience class="type">int memory_index; class=class="str">"cmt">// current index in memory class="type">class="kw">double best_local_fitness; class=class="str">"cmt">// best local agent fitness };
群智能代理的初始化与激活落地
把粒子群里的单个 boid 抽象成可训练代理，第一步是内存布局。结构体里 m 存质量（默认 0.5），cB 数组记历史最优坐标，fB 存适应度初值，统一用 -DBL_MAX 占位，保证任何真实回测结果都能覆盖它。 Init 函数按 coords 维度开 x、dx、cB 三组数组并清零；输入层大小固定为 coords*2+2（坐标、速度、到最优距离、当前适应度），输出层为 coords+3（速度修正加三个自适应因子）。权重矩阵规模为 input_size*output_size，偏置按 output_size 开，全部先置 0 再注入 ±0.01 以内的均匀随机值——MathRand()/32767.0*2.0-1.0 这条把整型随机映射到 [-1,1]，乘 0.01 后量级可控，避免初期梯度爆炸。 记忆区 memory_size 设为 10，存最近 10 组「坐标+适应度」用于经验回放，环形索引 memory_index 从 0 起步。这些硬编码数字直接决定 agent 的探索广度，在 MT5 里改 memory_size 或 m 能直观看到种群收敛节奏变化。 激活函数先给 Tanh 实现，直接包 MathTanh；ReLU 仅留注释未写体，意味着你若接分类头需自己补一段 max(input,0) 逻辑。外汇与贵金属波动大，这类自适应代理过拟合风险高，参数改动后务必用历史 tick 验证而非轻信单次结果。
class="type">class="kw">double m; class=class="str">"cmt">// boid mass class="type">class="kw">double cB []; class=class="str">"cmt">// best position coordinates class="type">class="kw">double fB; class=class="str">"cmt">// fitness function value class=class="str">"cmt">// Agent initialization class="type">void Init(class="type">int coords, class="type">int neuron_size) { ArrayResize(x, coords); ArrayResize(dx, coords); ArrayInitialize(x, class="num">0.0); ArrayInitialize(dx, class="num">0.0); class=class="str">"cmt">// Initialize the best position structure ArrayResize(cB, coords); ArrayInitialize(cB, class="num">0.0); fB = -DBL_MAX; class=class="str">"cmt">// Inputs: coordinates, speeds, distance to best, etc. class="type">int input_size = coords * class="num">2 + class="num">2; class=class="str">"cmt">// x, dx, dist_to_best, current_fitness ArrayResize(inputs, input_size); ArrayInitialize(inputs, class="num">0.0); class=class="str">"cmt">// Outputs: Speed correction and adaptive factors for flock rules class="type">int output_size = coords + class="num">3; class=class="str">"cmt">// dx_correction + class="num">3 adaptive parameters ArrayResize(outputs, output_size); ArrayInitialize(outputs, class="num">0.0); class=class="str">"cmt">// Weights and biases for each output ArrayResize(weights, input_size * output_size); ArrayInitialize(weights, class="num">0.0); ArrayResize(biases, output_size); ArrayInitialize(biases, class="num">0.0); class=class="str">"cmt">// Initialize weights and biases with small random values for (class="type">int i = class="num">0; i < ArraySize(weights); i++) { weights [i] = class="num">0.01 * (MathRand() / class="num">32767.0 * class="num">2.0 - class="num">1.0); } for (class="type">int i = class="num">0; i < ArraySize(biases); i++) { biases [i] = class="num">0.01 * (MathRand() / class="num">32767.0 * class="num">2.0 - class="num">1.0); } class=class="str">"cmt">// Initialize memory for accumulating experience memory_size = class="num">10; ArrayResize(memory, memory_size * (coords + class="num">1)); class=class="str">"cmt">// coordinates + fitness ArrayInitialize(memory, class="num">0.0); memory_index = class="num">0; best_local_fitness = -DBL_MAX; class=class="str">"cmt">// Initialize mass m = class="num">0.5; } class=class="str">"cmt">// Activation function - hyperbolic tangent class="type">class="kw">double Tanh(class="type">class="kw">double input_val) { class="kw">return MathTanh(input_val); } class=class="str">"cmt">// ReLU activation function
◍ 把粒子状态塞进神经网络的前向通路
在 MT5 里跑粒子群类策略时，网络输入不是拍脑袋拼的。UpdateInputs 把坐标 x[c]、速度 dx[c]、到全局最优的欧氏距离、以及当前适应度 current_fitness 依次写进 inputs 数组，输入维度随 coords_count 线性增长，比如 2 维问题就会先填 2 个坐标 + 2 个速度，再加 1 个距离和 1 个适应度，共 6 个输入。 ReLU 和 Sigmoid 是两套最轻量的激活实现：ReLU 对正数原样输出、负数截断为 0；Sigmoid 用 1/(1+exp(-x)) 把任意实数压到 (0,1)。ForwardPass 里对前 coords_count 个输出走 Tanh 修正速度，其余走 Sigmoid 生成自适应参数，权重寻址用 o*input_size+i 做一维展开。 Learn 函数开头就卡了一道 memory_index < memory_size 的早退：经验样本没攒够就不反向更新，避免用噪声梯度乱改 weights 和 biases。外汇与贵金属市场高杠杆、跳空频繁，这类网络若直接接实盘 tick，过拟合历史片段的概率偏高，建议先在策略测试器用 2020—2023 年 XAUUSD 的 M15 数据做关滑点回测。
class="type">class="kw">double ReLU(class="type">class="kw">double input_val) { class="kw">return (input_val > class="num">0.0) ? input_val : class="num">0.0; } class=class="str">"cmt">// Sigmoid activation function class="type">class="kw">double Sigmoid(class="type">class="kw">double input_val) { class="kw">return class="num">1.0 / (class="num">1.0 + MathExp(-input_val)); } class=class="str">"cmt">// Updating neural network inputs - Corrected version class="type">void UpdateInputs(class="type">class="kw">double &global_best [], class="type">class="kw">double current_fitness, class="type">int coords_count) { class="type">int input_index = class="num">0; class=class="str">"cmt">// Coordinates for (class="type">int c = class="num">0; c < coords_count; c++) { inputs [input_index++] = x [c]; } class=class="str">"cmt">// Speeds for (class="type">int c = class="num">0; c < coords_count; c++) { inputs [input_index++] = dx [c]; } class=class="str">"cmt">// Distance to the best global solution class="type">class="kw">double dist_to_best = class="num">0; for (class="type">int c = class="num">0; c < coords_count; c++) { dist_to_best += MathPow(x [c] - global_best [c], class="num">2); } dist_to_best = MathSqrt(dist_to_best); inputs [input_index++] = dist_to_best; class=class="str">"cmt">// Current fitness function inputs [input_index++] = current_fitness; } class=class="str">"cmt">// Direct distribution over the network class="type">void ForwardPass(class="type">int coords_count) { class="type">int input_size = ArraySize(inputs); class="type">int output_size = ArraySize(outputs); class=class="str">"cmt">// For each output, calculate the weighted sum of the inputs + bias for (class="type">int o = class="num">0; o < output_size; o++) { class="type">class="kw">double sum = biases [o]; for (class="type">int i = class="num">0; i < input_size; i++) { sum += inputs [i] * weights [o * input_size + i]; } class=class="str">"cmt">// Apply different activation functions depending on the output if (o < coords_count) class=class="str">"cmt">// Use the hyperbolic tangent to correct the speed { outputs [o] = Tanh(sum); } else class=class="str">"cmt">// Use sigmoid for adaptive parameters { outputs [o] = Sigmoid(sum); } } } class=class="str">"cmt">// Learning from accumulated experience class="type">void Learn(class="type">class="kw">double learning_rate, class="type">int coords_count) { if (memory_index < memory_size) class="kw">return; class=class="str">"cmt">// Insufficient experience class=class="str">"cmt">// Find the best experience in memory class="type">int best_index = class="num">0;