老鹰策略（ES）·综合运用
（3/3）·从莱维飞行到萤火虫局部搜索，看 ES 如何在复杂参数空间里绕开局部最优陷阱
接上篇对萤火虫算法与莱维飞行的单点拆解，这一篇把两者塞进同一个循环里跑通。很多交易者直接拿现成优化器扫参数，却从没想过探索与利用的比例是可以周期性切换的。
◍ 进化策略在基准测试里的真实得分
进化策略（ES）这套老鹰算法虽然没挤进总榜头部，但跑分本身有参考价值。它在 Hilly、Forest、Megacity 三类测试函数上各跑了 5 / 25 / 500 个规模、每种重复 10000 次，总分 3.54187，相当于满分潜力的 39.35%，属于中游偏下的水平。 具体看单类：Hilly 上 5 函数得分 0.7078、25 函数 0.4308、500 函数 0.2748；Forest 上从 0.7174 掉到 0.1597；Megacity 离散场景最弱，500 函数只剩 0.1106。规模一大，精度衰减非常明显。 横向摆进 40 个算法的对照表，(P+O)ES 排第 4、最终 5.866（65.17%），(PO)ES 排第 29、仅 4.610（51.22%）。说明变体设计对结果影响很大，裸 ES 并不占优。 可视化图里能直接看出搜索分阶段：前期长距离跳跃找区间，后期短距细化收敛。开 MT5 接 Strategy Tester 跑同类优化时，别迷信 ES 默认参数，规模上了 500 维大概率要换算子。外汇与贵金属参数优化属高风险，回测优不等于实盘能复现。
「把优化器塞进回测表看谁更抗造」
上面这张横向对比表把 6 类元启发式优化器在 MT5 遗传框架下的表现摊开了：ACMO 大气云层模型综合得分 4.041、达标率 44.90%，排在样本首位；ADAMm 自适应动量评估紧随其后，得分 4.037、达标率 44.85%，两者差距小到可以忽略。 RW 神经类群优化算法 2 的综合得分只有 2.348、达标率 26.09%，比榜首掉了近四成，说明这类轻量群智能在外汇/贵金属参数寻优里更容易陷进局部洼地。 ES 老鹰策略得分 3.542、达标率 39.35%，介于中间但稳定性列明显弱于前两名——它的第三列数值 0.27475 对比 ACMO 的 0.30403，意味着在约束边界上的通过率更薄。 开 MT5 把同一 EA 的入参空间锁死，轮流挂 ACMO 与 RW 跑 30 代遗传，你能直接复现这种断层；贵金属与外汇品种杠杆高、跳空频繁，优化器过拟合风险被放大，回测领先不代表实盘概率占优。
别急着下结论
老鹰策略（ES）在种群优化基准测试里只拿到 39% 的得分率，没挤进前 45 名正式榜单，仅作参考列示。但它在两阶段搜索里塞进莱维飞行做全局探索，数学上被证为随机搜索最优方案之一，这种生物行为建模的思路对做混合元启发式的人仍有嚼头。 自适应切换与停滞期参数自调，加上萤火虫算法做局部协同，让 ES 在多发性局部最优和含噪数据的问题上可能找到自己的位置。附带的 ES.zip（224.37 KB）里有 Test_AO_ES.mq5 等脚本，开 MT5 跑一遍统一测试台就能看到图 3 那种 0–100 分直方图。 作者明确说为提搜索力改了原算法，不对标准描述绝对准确负责，结论只基于实验。外汇与贵金属市场属高风险领域，这类优化器若挪去调参 EA，先在小样本回测里验证稳定性，再谈实盘。