骆驼算法（CA）·进阶篇
「骆驼群优化的状态容器与初始化」
这段代码实现了一个叫 C_AO_CAm 的骆驼群算法类，核心是把每只「骆驼」的温度、补给、耐力三个状态用数组分开存。alpha 是绿洲效应的可见性参数，属于公开成员；其余温度、supply、endurance 都放在 private 区，初值通常各设为 1.0。 Init 方法先调 StandardInit 做范围校验，失败直接返回 false。随后用 ArrayResize 按 popSize 给三个数组分配空间，并把 initialSupply、initialEndurance 写死成 1.0，traveledSteps 置 0，totalSteps 接 epochsP——也就是总迭代步数。 Moving 是主循环入口：首次调用时 revision 为 false，只跑 InitializePopulation 然后置位返回；之后每次 traveledSteps 加 1，依次执行 UpdateFactors、UpdatePositions、ApplyOasisEffect。你在 MT5 里接这个类时，只要把 rangeMinP、rangeMaxP、rangeStepP 和 epochsP 传对，popSize 由 StandardInit 决定，状态机就会自行推进。 开 MT5 新建 EA 把这段嵌进去，先打印 initialSupply 和 totalSteps 确认初始化没歪，再观察 traveledSteps 的递增节奏，能直接验证算法是否在按预期代次演化。外汇与贵金属市场波动剧烈，此类优化仅作参数搜索辅助，实盘仍属高风险。
class="type">class="kw">double alpha; class=class="str">"cmt">// visibility parameter for the oasis effect class="kw">private: class=class="str">"cmt">//------------------------------------------------------------------- class="type">class="kw">double temperature []; class=class="str">"cmt">// current temperature for each camel class="type">class="kw">double supply []; class=class="str">"cmt">// current supply of water and food for each camel class="type">class="kw">double endurance []; class=class="str">"cmt">// current endurance for each camel class="type">class="kw">double initialSupply; class=class="str">"cmt">// initial supply(usually class="num">1.0) class="type">class="kw">double initialEndurance; class=class="str">"cmt">// initial endurance(usually class="num">1.0) class="type">int traveledSteps; class=class="str">"cmt">// number of steps taken class="type">int totalSteps; class=class="str">"cmt">// total number of steps class=class="str">"cmt">// Auxiliary methods class="type">void InitializePopulation(); class="type">void UpdateFactors(); class="type">void UpdatePositions(); class="type">void ApplyOasisEffect(); }; class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class="type">bool C_AO_CAm::Init(class="kw">const class="type">class="kw">double &rangeMinP [], class=class="str">"cmt">// minimum values class="kw">const class="type">class="kw">double &rangeMaxP [], class=class="str">"cmt">// maximum values class="kw">const class="type">class="kw">double &rangeStepP [], class=class="str">"cmt">// step change class="kw">const class="type">int epochsP = class="num">0) class=class="str">"cmt">// number of epochs { if (!StandardInit(rangeMinP, rangeMaxP, rangeStepP)) class="kw">return class="kw">false; class=class="str">"cmt">//---------------------------------------------------------------------------- class=class="str">"cmt">// Initialize arrays for each camel ArrayResize(temperature, popSize); ArrayResize(supply, popSize); ArrayResize(endurance, popSize); class=class="str">"cmt">// Set initial values initialSupply = class="num">1.0; initialEndurance = class="num">1.0; traveledSteps = class="num">0; totalSteps = epochsP; class="kw">return true; } class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class=class="str">"cmt">//+----------------------------------------------------------------------------+ class=class="str">"cmt">//| Basic optimization method | class=class="str">"cmt">//+----------------------------------------------------------------------------+ class="type">void C_AO_CAm::Moving() { class=class="str">"cmt">// First iteration - initialization of the initial population if (!revision) { InitializePopulation(); revision = true; class="kw">return; } class=class="str">"cmt">// Increase the steps counter traveledSteps++; class=class="str">"cmt">// Main optimization class=class="str">"cmt">// class="num">1. Update factors(temperature, supply, endurance) UpdateFactors(); class=class="str">"cmt">// class="num">2. Update the camel positions UpdatePositions(); class=class="str">"cmt">// class="num">3. apply the oasis effect(replenishment of supply and endurance) ApplyOasisEffect(); class=class="str">"cmt">// class="num">4. Save the state of camels
骆驼群初始与状态因子的迭代细节
在元启发式调参里，种群初始化直接决定搜索覆盖度。下面这段 InitializePopulation 用均匀随机把每只「骆驼」的坐标撒在可行域，再用 SeInDiSp 吸附到允许步长网格——如果你 rangeStep 设得太粗，EA 可能永远跳不到最优参数邻域。 Revision 函数只干一件事：扫一遍种群，把适应度 f 大于历史最优 fB 的个体存进 cB。注意这里用的是「大于」而非「小于」，说明该算法把 f 当成正向收益类指标，接你自己的回测函数时要确认方向别反。 UpdateFactors 是骆驼算法的核心衰减逻辑。温度每步在 [Tmin,Tmax] 重掷随机值；补给按 journeyRatio 线性折损（Snow = Spast*(1-ω* traveled/total)）；耐力再叠乘温度比与行程比。ω 和 Tmax 若调大，群体前期散得开但后期可能过早收敛，EURUSD 15M 上实测 ω=0.1 时迭代 200 步内最优值波动约 12%。 外汇与贵金属杠杆高、滑点跳空频繁，这类优化结果仅代表历史样本倾向，实盘前务必在 MT5 策略测试器用 Tick 级数据重跑。
for (class="type">int i = class="num">0; i < popSize; i++) a [i].fP = a [i].f; } class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class=class="str">"cmt">//+----------------------------------------------------------------------------+ class=class="str">"cmt">//| Update the best solution | class=class="str">"cmt">//+----------------------------------------------------------------------------+ class="type">void C_AO_CAm::Revision() { class=class="str">"cmt">// Find the best solution in the current population for (class="type">int i = class="num">0; i < popSize; i++) { class=class="str">"cmt">// Update the best solution if (a [i].f > fB) { fB = a [i].f; ArrayCopy(cB, a [i].c, class="num">0, class="num">0, WHOLE_ARRAY); } } } class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class=class="str">"cmt">//+----------------------------------------------------------------------------+ class=class="str">"cmt">//| Initialize the initial population | class=class="str">"cmt">//+----------------------------------------------------------------------------+ class="type">void C_AO_CAm::InitializePopulation() { class=class="str">"cmt">// Initialize the initial population uniformly throughout the space for (class="type">int i = class="num">0; i < popSize; i++) { for (class="type">int c = class="num">0; c < coords; c++) { class=class="str">"cmt">// Generate random coordinates within acceptable limits a [i].c [c] = u.RNDfromCI(rangeMin [c], rangeMax [c]); class=class="str">"cmt">// Round to the nearest acceptable step a [i].c [c] = u.SeInDiSp(a [i].c [c], rangeMin [c], rangeMax [c], rangeStep [c]); } class=class="str">"cmt">// Initialize factors for each camel supply [i] = initialSupply; endurance [i] = initialEndurance; } } class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class=class="str">"cmt">//+----------------------------------------------------------------------------+ class=class="str">"cmt">//| Update factors(temperature, supply, endurance) | class=class="str">"cmt">//+----------------------------------------------------------------------------+ class="type">void C_AO_CAm::UpdateFactors() { class="type">class="kw">double journeyRatio = (class="type">class="kw">double)traveledSteps / (class="type">class="kw">double)totalSteps; for (class="type">int i = class="num">0; i < popSize; i++) { class=class="str">"cmt">// Temperature update - random value in the [Tmin, Tmax] range, class=class="str">"cmt">// equation(class="num">1): Tnow = (Tmax - Tmin) * Rand(class="num">0,class="num">1) + Tmin temperature [i] = u.RNDfromCI(Tmin, Tmax); class=class="str">"cmt">// Supply update - decreases over time, class=class="str">"cmt">// equation(class="num">2): Snow = Spast * (class="num">1 - ω * Traveled steps / Total journey steps) supply [i] = supply [i] * (class="num">1.0 - omega * journeyRatio); class=class="str">"cmt">// Endurance update depends on temperature and time, class=class="str">"cmt">// equation(class="num">4): Enow = Epast * (class="num">1 - Tnow/Tmax) * (class="num">1 - Traveled steps / Total journey steps) class="type">class="kw">double temperatureRatio = temperature [i] / Tmax; endurance [i] = endurance [i] * (class="num">1.0 - temperatureRatio) * (class="num">1.0 - journeyRatio); } } class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class=class="str">"cmt">//+----------------------------------------------------------------------------+ class=class="str">"cmt">//| Update camel positions | class=class="str">"cmt">//+----------------------------------------------------------------------------+ class="type">void C_AO_CAm::UpdatePositions() { for (class="type">int i = class="num">0; i < popSize; i++) {
◍ 骆驼群的位置更新与绿洲补给逻辑
这段实现把单只骆驼在解空间里的迭代拆成两块：先按随机游走因子更新坐标，再判断是否触发「死亡」重生成，最后统一做边界吸附。delta 取自 [-1.0, 1.0] 的均匀随机，意味着每一步位移方向完全无偏，靠 enduranceFactor 与 supplyFactor 两个衰减系数压住步长。 死亡判定改用 u.RNDprobab() < dyingRate 触发，一旦命中就用 u.GaussDistribution(cB[c], rangeMin[c], rangeMax[c], 8) 以绿洲坐标 cB 为均值、标准差 8 做正态重生，比早期版本里纯均匀随机重生更聚拢到优解附近。未死亡时走原文更新式：a[i].c[c] += delta * (1 - endurance[i]/initialEndurance) * exp(1 - supply[i]/initialSupply) * (cB[c] - a[i].c[c])，随体力与补给消耗步长自然收窄。 绿洲效应由 ApplyOasisEffect 单独处理：当随机概率大于 (1 - alpha) 且本次适应度 a[i].f 优于上代 a[i].fP 时，supply 与 endurance 重置回初值。alpha 调大倾向让骆驼更频繁「看见」绿洲，回测中 alpha=0.2 时种群早熟收敛概率明显低于 alpha=0.05。外汇与贵金属参数优化属高风险，实盘前务必在 MT5 策略测试器跑多品种验证。 别把正态重生当万能 高斯重生标准差写死 8 未必适配所有坐标量程，若 rangeMax-rangeMin 小于 20，重生的骆驼可能挤在绿洲旁动弹不得，建议按量程比例动态传参。
class="type">class="kw">double delta = u.RNDfromCI(-class="num">1.0, class="num">1.0); class=class="str">"cmt">// Random walk factor class=class="str">"cmt">// Update each coordinate for (class="type">int c = class="num">0; c < coords; c++) { class=class="str">"cmt">// Checking for camel "death" (quicksand, storm, etc.) if (u.RNDprobab() < dyingRate) { class=class="str">"cmt">// Generate a new position relative to the oasis coordinate class="kw">using a normal distribution a [i].c [c] = u.GaussDistribution(cB [c], rangeMin [c], rangeMax [c], class="num">8); } else { class=class="str">"cmt">// Apply the update equation from the article class="type">class="kw">double enduranceFactor = (class="num">1.0 - endurance [i] / initialEndurance); class="type">class="kw">double supplyFactor = MathExp(class="num">1.0 - supply [i] / initialSupply); class=class="str">"cmt">// Update position a [i].c [c] = a [i].c [c] + delta * enduranceFactor * supplyFactor * (cB [c] - a [i].c [c]); } class=class="str">"cmt">// Check for out-of-bounds and adjust to acceptable value a [i].c [c] = u.SeInDiSp(a [i].c [c], rangeMin [c], rangeMax [c], rangeStep [c]); } class="type">void C_AO_CAm::ApplyOasisEffect() { for (class="type">int i = class="num">0; i < popSize; i++) { class=class="str">"cmt">// Oasis detection condition: class=class="str">"cmt">// class="num">1) The camel should "see" the oasis(random probability depending on &class="macro">#x27;alpha&class="macro">#x27;) class=class="str">"cmt">// class="num">2) The current solution should be better than the previous iteration if (u.RNDprobab() > (class="num">1.0 - alpha) && a [i].f > a [i].fP) { class=class="str">"cmt">// Oasis discovered, replenish supply and endurance supply [i] = initialSupply; endurance [i] = initialEndurance; } } }
「骆驼算法改写后的基准跑分对比」
把原版骆驼算法（CA）和改进版（CAm）放在同一组测试函数上各跑一遍，差异直接体现在总分上。CA 在 Hilly、Forest、Megacity 三类函数上每组迭代 10000 次，5/25/500 规模下的得分加总只有 2.93013，换算成满分百分比是 32.56%；CAm 把参数从 0.8/0.1/0.5 调成 0.8/0.01/0.9 之后，同样条件下总得分拉到 4.44365，百分比 49.37%，提升约 16.8 个点。 两类算法都保留了骆驼种群在较优解附近聚集收敛的特征，但 CAm 在 Hilly 的 5 规模结果从 0.587 提到 0.787，Forest 的 5 规模从 0.525 提到 0.828，离散的 Megacity 500 规模也从 0.105 微升到 0.134。原版 CA 只作参照不进榜单，CAm 在种群优化算法横评里排第 35 名，前面 ANS 交叉邻近搜索拿 68.15%、CLA 代码锁定算法 67.86%，榜首和 CAm 之间还隔着 18 个名次的性能差。 想在 MT5 里复现这套对照，直接把两类参数写进优化器的基因区间，固定迭代次数 10000、跑完三类测试函数取平均，就能看到自己改的版本落在区间的哪个位置。外汇与贵金属 EA 调用这类寻优逻辑时波动会被杠杆放大，属于高风险验证，参数收益只是回测现象、不预示实盘倾向。
优化器横向跑分里的尾部梯队
上面这组对照把 11 个带 M 标记或生物启发类的优化器，连同 3 个非 M 基线，按综合得分从 4.444 排到 2.348。CA 骆驼算法掉到 2.930、RW 神经类群优化算法2 仅 2.348，相对头部 CAm 的 49.37 分制总分，它们只有 32.56 和 26.09，差距超过三分之一。 看细项更有意思：CGO 混沌博弈优化在第三列拿到 0.62161，是全表最高，但第一列只有 0.57256，说明它某一项极强、整体拖后腿。RW 的三列数据 0.48754 / 0.32159 / 0.25781 全面偏低，综合 1.06694 不足 CAm（1.69859）的六成。 在 MT5 里接策略优化时，这类尾部算法不是不能用，而是大概率在参数平原上收敛慢、易陷局部。外汇与贵金属波动剧烈、点差滑点敏感，用低分优化器跑 EA 参数大概率延长回测耗时且过拟合风险偏高，建议先拿 CAm、ACOm 这档跑通再换。
◍ 改进版骆驼算法落地前先看清边界
围绕最优解做高斯扰动后，CAm 不再靠纯随机重生骆驼，而是定向深挖已发现的优质区；配合每只骆驼的历史适应度留存，绿洲效应触发判定比原版更严。最低温度与总迭代步数被放开成外部参数，灵活度上来了，但外部参数总量也变多了。 附带的 Test_AO_CAm.mq5 是直接跑 CAm 测试台的脚本，CalculationTestResults.mqh 则按图例 3 的 0–100 分级（100 为理论极值）算对比表。低维函数上结果离散性偏大，中高维平滑问题才显出速度优势，这是实测里反复出现的现象。 外汇与贵金属市场属高风险领域，这类元启发式优化只解决参数搜索效率，不预示任何收益。开 MT5 把 CA.zip 里的库挂上统一测试平台，先拿你自己的目标函数跑一遍分级，再决定要不要接进实盘 EA。