混沌优化算法（COA）：续篇（基础篇）
混沌优化算法的 MT5 实现脉络
混沌优化算法（COA）在 MetaTrader 5 中的落地，最早由 Andrey Dik 在 2026 年 4 月 23 日发布测试版本，社区初始互动量为 360 次浏览、2 条评论，说明这套思路在发布初期并未大规模扩散。 原文结构分为引言、算法实现、测试结果、总结四块，其中算法实现部分是可直接搬到 MT5 策略测试器里跑的核心。对于做价格行为研究的交易者，重点不是理论推导，而是看它怎么用混沌映射替代常规随机初值来搜参数。 外汇与贵金属市场高杠杆、高波动，任何优化算法给出的参数组合都只是历史样本上的概率倾向，实盘前必须用 MT5 自带的遗传优化做交叉验证。
◍ 混沌遍历怎么跑完三个阶段
上一节把混沌优化的来路点了一下，这一节接着把剩余方法拆开，并直接进测试函数验证。实现上它用确定性混沌去遍历解空间，而不是纯随机撒点。 核心靠三种混沌映射生成序列：逻辑映射、正弦映射、帐篷映射。它们产出的是具备伪随机性和遍历性的点列，能在不重复抽样的前提下覆盖搜索域。 算法分三段执行：先初始混沌搜索铺开候选解，再用加权梯度法做解优化，最后自适应缩圈做局部搜索。带惯性的速度向量加停滞检测，能在连续多代无改进时强制跳出，降低陷局部最优的概率。 参数动态自适应配合多种变异策略，平衡了全局探索和局部开发。外汇与贵金属品种上跑这类优化要意识到：参数空间非平稳，过拟合风险高，验证结果仅代表历史样本表现。
「混沌优化器的变异与约束处理实现」
ApplyMutation 给智能体做参数扰动时，先算变异坐标数：下限 1，上限取坐标总量的 30%，即 mutationCount = 1 + (int)(RNDprobab() * coords * 0.3)。随后把全部坐标索引打乱，循环抽取坐标做三种变异之一——完全随机、基于全局最优的相对偏移、基于混沌映射的跳变；每改完一个坐标就把速度清零，避免旧动量带偏新值。 UpdateSigma 按种群可行率调惩罚：首轮把 currentSigma 设成基础值 sigma 的一半；之后若可行解占比低于 30% 就加罚，超过 70% 就减罚，且把惩罚值钳在 [0.1*sigma, 5*sigma] 区间内。IsFeasible 则逐坐标调 CalculateConstraintValue，只要任一坐标违反值大于 eps 就判 false。 停滞治理由 ResetStagnatingAgents 负责：智能体连续 5 轮没优化就进停滞，重置概率 = 0.2 * (停滞计数 / 阈值)，随机命中就调 ApplyMutation 并清零计数器。CalculateWeightedGradient 用「当前违反 / 最大违反」做权重乘梯度，违反越重调得越狠。 Moving 每轮 epoch+1，首轮只初始化种群；之后按阶段切全局/局部搜索，并定期清停滞个体。Revision 在 epoch>1 时统计改进比例来缩放 alpha：全局阶段改进低就扩搜索，局部阶段改进足就缩搜索做精修。外汇与贵金属参数优化属高风险实验，回测结论仅代表历史样本，实盘可能失效。
class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class="type">void C_AO_COA_chaos::ApplyMutation(class="type">int agentIdx) { class=class="str">"cmt">// Determine the number of coordinates for mutation(from class="num">1 to class="num">30% of coordinates) class="type">int mutationCount = class="num">1 + (class="type">int)(u.RNDprobab() * coords * class="num">0.3); mutationCount = MathMin(mutationCount, coords); class=class="str">"cmt">// Create an array of indices for mutation without repetitions class="type">int mutationIndices []; ArrayResize(mutationIndices, coords); class=class="str">"cmt">// Fill the array with indices for (class="type">int i = class="num">0; i < coords; i++) { mutationIndices [i] = i; } class=class="str">"cmt">// Shuffle the indices for (class="type">int i = coords - class="num">1; i > class="num">0; i--) { class="type">int j = (class="type">int)(u.RNDprobab() * (i + class="num">1)); if (j <= i) class=class="str">"cmt">// Additional security check {
变异执行与惩罚因子的自适应收敛
变异阶段先把选中的坐标索引打乱顺序，再逐一对候选解施加扰动。代码里用 u.RNDprobab() 生成 0~1 的随机数 r，按阈值切出三种变异路径：r<0.3 走完全随机，r<0.6 相对全局最优 cB 做 ±10% 区间偏移，其余走混沌映射刷新 gamma 值。 每次变异后都把对应维度速度清零，再用 u.SeInDiSp() 把新值夹回 [rangeMin, rangeMax] 并按 rangeStep 离散化——这一步保证解始终合法，不会飞出参数边界。 UpdateSigma() 则管约束惩罚强度。首代给 currentSigma 设为 sigma*0.5；之后统计种群可行解比例 feasibleRatio，低于 0.3 就乘 1.2 加压，高于 0.7 就乘 0.9 放松，并把 currentSigma 限在 [sigma*0.1, sigma*5.0] 之间。 在 MT5 里把 feasibleRatio 的 0.3 / 0.7 两个拐点打印出来，能直接看到惩罚因子在第几代开始收敛；外汇与贵金属参数优化属高风险，回测可行不等于实盘稳健。
class="type">int temp = mutationIndices [i]; mutationIndices [i] = mutationIndices [j]; mutationIndices [j] = temp; } } class=class="str">"cmt">// Apply mutations to the selected coordinates for (class="type">int m = class="num">0; m < mutationCount; m++) { class="type">int c = mutationIndices [m]; class=class="str">"cmt">// Different types of mutations for variety class="type">class="kw">double r = u.RNDprobab(); class="type">class="kw">double x; if (r < class="num">0.3) { class=class="str">"cmt">// Complete random mutation x = rangeMin [c] + u.RNDprobab() * (rangeMax [c] - rangeMin [c]); } else if (r < class="num">0.6) { class=class="str">"cmt">// Mutation relative to global best class="type">class="kw">double offset = (u.RNDprobab() - class="num">0.5) * (rangeMax [c] - rangeMin [c]) * class="num">0.2; x = cB [c] + offset; } else { class=class="str">"cmt">// Mutation class="kw">using chaotic map agent [agentIdx].gamma [c] = SelectChaosMap(agent [agentIdx].gamma [c], (epochNow + c) % class="num">3); x = rangeMin [c] + agent [agentIdx].gamma [c] * (rangeMax [c] - rangeMin [c]); } class=class="str">"cmt">// Reset velocity agent [agentIdx].velocity [c] = class="num">0.0; class=class="str">"cmt">// Apply the new value with range check a [agentIdx].c [c] = u.SeInDiSp(x, rangeMin [c], rangeMax [c], rangeStep [c]); } } class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class="type">void C_AO_COA_chaos::UpdateSigma() { class=class="str">"cmt">// Dynamic adaptation of the penalty parameter class=class="str">"cmt">// Start with a small value and increase it if necessary if (epochNow == class="num">1) { currentSigma = sigma * class="num">0.5; class="kw">return; } class=class="str">"cmt">// Calculate the number of feasible solutions class="type">int feasibleCount = class="num">0; for (class="type">int i = class="num">0; i < popSize; i++) { if (IsFeasible(i)) { feasibleCount++; } } class="type">class="kw">double feasibleRatio = (class="type">class="kw">double)feasibleCount / MathMax(class="num">1, popSize); class=class="str">"cmt">// Adapt the penalty parameter depending on the proportion of feasible solutions if (feasibleRatio < class="num">0.3) { class=class="str">"cmt">// Too few feasible solutions - increase the penalty currentSigma *= class="num">1.2; } else if (feasibleRatio > class="num">0.7) { class=class="str">"cmt">// Too many feasible solutions - reduce the penalty currentSigma *= class="num">0.9; } class=class="str">"cmt">// Limit the sigma value if (currentSigma < sigma * class="num">0.1) currentSigma = sigma * class="num">0.1; else if (currentSigma > sigma * class="num">5.0) currentSigma = sigma * class="num">5.0; } class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class="type">bool C_AO_COA_chaos::IsFeasible(class="type">int agentIdx) { class=class="str">"cmt">// Check if the solution is within the feasible region for (class="type">int c = class="num">0; c < coords; c++) {