确定性振荡搜索（DOS）·进阶篇
粒子位移与适应度反馈的核心循环
在基于粒子群思路的优化器里，每一次迭代都先让所有粒子按当前速度平移，再做边界与步长对齐。Moving() 遍历 popSize 个粒子，对每个坐标维度把速度累加进位置，随后用 u.SeInDiSp() 把连续值吸附到 [rangeMin, rangeMax] 内允许的离散步长上，避免越界或无效参数。 Revision() 在位置更新后重算适应度，并维护全局最优 fB 与坐标数组 cB。若某个粒子适应度 a[i].f 高于已知最优，就通过 ArrayCopy 把它的坐标整组拷进 cB，这一步决定了后续搜索是否会向该区域聚集。 ProcessParticleMovement() 用前后两次适应度差 fitnessDiff 来判断斜率状态。当原斜率为正却出现适应度回落，速度向量各分量直接乘 -0.5 反向并减半，把 slope 置为 -1；这种「撞墙减速折返」机制让参数搜索在外汇或贵金属这类高噪声品种上，可能减少在局部劣化区的无效游走。 开 MT5 把这段接进自己的 EA 框架时，重点看 velocities[i].v[d] *= -0.5 这一行——若你的坐标维度超过 10，折返步长衰减可能偏快，可先改成 -0.7 观察收敛轨迹是否更稳。
class="type">void C_AO_DOS::Moving() { class=class="str">"cmt">// Handle all particles for (class="type">int i = class="num">0; i < popSize; i++) { class=class="str">"cmt">// Save the fitness value a [i].fP = a [i].f; class=class="str">"cmt">// Calculate new coordinates based on velocity for (class="type">int d = class="num">0; d < coords; d++) { class=class="str">"cmt">// Update position a [i].c [d] += velocities [i].v [d]; class=class="str">"cmt">// Round to the nearest acceptable step a [i].c [d] = u.SeInDiSp(a [i].c [d], rangeMin [d], rangeMax [d], rangeStep [d]); } } } class="type">void C_AO_DOS::Revision() { class=class="str">"cmt">// Handle each particle for (class="type">int i = class="num">0; i < popSize; i++) { class=class="str">"cmt">// Update the best solution if the current solution is better 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">// Handle particle motion based on fitness change ProcessParticleMovement(i); } } class="type">void C_AO_DOS::ProcessParticleMovement(class="type">int particleIndex) { class=class="str">"cmt">// Local variables for access optimization class="type">class="kw">double currentFitness = a [particleIndex].f; class="type">class="kw">double previousFitness = a [particleIndex].fP; class="type">int currentSlope = velocities [particleIndex].slope; class=class="str">"cmt">// Comparison of fitnesses to determine the movement direction class="type">class="kw">double fitnessDiff = currentFitness - previousFitness; class=class="str">"cmt">// Handle a slope according to the current state if (currentSlope == class="num">0) class=class="str">"cmt">// Unknown slope { class=class="str">"cmt">// Determine the slope based on the change in fitness velocities [particleIndex].slope = (fitnessDiff > class="num">0) ? class="num">1 : (fitnessDiff < class="num">0) ? -class="num">1 : class="num">0; } else if (currentSlope == class="num">1 && fitnessDiff < class="num">0) class=class="str">"cmt">// Positive slope and deterioration of fitness { class=class="str">"cmt">// Change direction and decrease velocity for (class="type">int d = class="num">0; d < coords; d++) velocities [particleIndex].v [d] *= -class="num">0.5; class=class="str">"cmt">// Optimized form of division by class="num">2 velocities [particleIndex].slope = -class="num">1; class=class="str">"cmt">// Change the slope to negative } else
◍ 负斜率下的粒子群漂移逻辑
在粒子群寻优里，当某个粒子的 currentSlope 被判定为 -1（即负斜率）且 fitnessDiff 小于 0（适应度退化）时，算法不再让其自由探索，而是强制向全局最优 cB 靠拢。 具体做法是对每个维度 d 累加速度项：(cB[d] - a[particleIndex].c[d]) * movementFactor，相当于用移动因子把粒子拉向当前已知最优坐标；随后把 slope 重置为 0，表示斜率状态未知，等待下一轮评估。 若用结构方法检测到该粒子速度整体为零（IsZero 为真），同样要初始化速度朝 cB 移动，并清零 slope。这套机制避免了粒子在退化或停滞时原地空转，对外汇与贵金属参数优化这类高噪声场景，可能提升收敛稳定性，但实盘前务必在 MT5 策略测试器用历史数据验证，此类品种杠杆高、跳空频繁，存在重大资金风险。
if (currentSlope == -class="num">1 && fitnessDiff < class="num">0) class=class="str">"cmt">// Negative slope and fitness degradation { class=class="str">"cmt">// Apply the swarming mechanism - movement towards the global optimum for (class="type">int d = class="num">0; d < coords; d++) velocities [particleIndex].v [d] += (cB [d] - a [particleIndex].c [d]) * movementFactor; velocities [particleIndex].slope = class="num">0; class=class="str">"cmt">// Reset the slope as unknown } class=class="str">"cmt">// Check for zero velocity class="kw">using the structure method if (velocities [particleIndex].IsZero()) { class=class="str">"cmt">// Initialize the velocity by moving towards the global optimum for (class="type">int d = class="num">0; d < coords; d++) velocities [particleIndex].v [d] = (cB [d] - a [particleIndex].c [d]) * movementFactor; class=class="str">"cmt">// Reset the slope velocities [particleIndex].slope = class="num">0; }
「低维测试里的算法排位与离散现象」
把内置群体效应的梯度型算法（DOS）丢进三组标准测试函数跑一遍，每组函数各取 5、25、500 个峰值形态，迭代次数固定 10000。Hilly 函数三项结果落在 0.3422 附近，Forest 函数从 0.5709 降到 0.3288，Megacity 函数则从 0.2000 爬到 0.2308，总分 2.91248，约占满分的 32.36%。 横向拉一张 39 个种群优化算法的评级表，DOS 只作参考示例，没进正式排名。榜首 ANS 跨邻域搜索三项 Hilly 值 0.94948 / 0.84776 / 0.43857，最终 6.134 分（68.15%）；末位 ABHA 人工蜂巢算法仅 4.127 分（45.85%）。中间如 DE 差分进化在 500 峰 Megacity 上掉到 0.02953，离散程度比低维时更夸张。 低维函数上 DOS 的结果本身就有明显抖动——5 峰 Forest 给出 0.5709，但 500 峰反而压到 0.3288。这说明群体效应梯度法在维度切换时稳定性并不线性，MT5 里复现这套基准时，建议先锁死 Func runs=10000 再横向比对数个峰值档位。 外汇与贵金属市场属高风险领域，任何优化器回测优势都只是概率倾向，实盘须以风控为先。
优化器横向跑分里的冷门黑马
上面这组对照表把 8 个优化器的三项误差分量、综合误差、收敛代数与耗时摊开了看。ACMO 大气云模型综合误差 1.69270、耗时 44.90 秒，ADAMm 紧随其后 1.60014 / 44.85 秒，都属于第一梯队，但代价是迭代到 4.037 代上下才稳住。 真正值得盯的是垫底的 RW 神经 Boid 优化：综合误差仅 1.06694，收敛代 2.348，耗时压到 26.09 秒，三项分量里最低的一组到了 0.52734。它用更少的代数和一半出头的时间，把误差控在比 CFO（1.43750 / 40.76 秒）更低的区间。 做 MT5 参数寻优时，别只认 ADAM 系。把 RW 或 DOS（综合 1.02654、32.36 秒）塞进你的 EA 优化脚本里跑一遍同品种回测，可能比默认优化器更快出可交易解。外汇与贵金属杠杆高，优化结果仅代表历史样本拟合，实盘仍属高风险。
◍ 一点提醒
这套 DOS 算法只吃两个参数——种群大小和移动系数，实测配置负担比多数随机群智能轻，参数设歪的风险也低。三态斜率（正向、负向、未知）让粒子按当前搜索方向质量自调行为，是它区别于标准描述的核心改动，且全程无复杂数学，MT5 里跑起来很快。 从附带的 Test_AO_DOS.mq5 回测看，评分区间 0–100、100 为理论顶分，低维函数结果偏分散是明确短板；作者归档里放了 DOS.zip（215.67 KB）含基类与测试台，想验证直接下脚本跑统一平台即可。 外汇与贵金属市场高波动、高杠杆，这类确定性群算法仅解决特定优化问题，别当信号源裸用；文内结论基于实验、作者不对准确性担责，自己跑一遍再决定是否接进 EA。