文章 "并行粒子群优化"

新评论
 

新文章 并行粒子群优化已发布：

本文介绍了一种基于粒子群算法的快速优化方法。本文还介绍了MQL中的方法实现，它既可以在EA交易内部的单线程模式下使用，也可以作为在本地测试人员代理上运行的附加组件在并行多线程模式下使用。

从算法的角度来看，PSO方法相对简单。其主要思想是在EA交易的输入参数空间中生成一组虚拟“粒子”。然后，粒子移动并根据EA在空间中相应点的交易度量改变其速度。该过程重复多次，直到性能停止改善。该算法的伪代码如下：

粒子群优化伪码

粒子群优化伪码

根据这个代码，每个粒子都有一个当前的位置、速度和过去“最佳”点的记忆。这里，“最佳”点是指达到该粒子目标函数最高值的点（一组EA输入参数）。让我们在类里面描述一下。

  class Particle
  {
    public:
      double position[];    // current point
      double best[];        // best point known to the particle
      double velocity[];    // current speed
      
      double positionValue; // EA performance in current point
      double bestValue;     // EA performance in the best point
      int    group;
      
      Particle(const int params)
      {
        ArrayResize(position, params);
        ArrayResize(best, params);
        ArrayResize(velocity, params);
        bestValue = -DBL_MAX;
        group = -1;
      }
  };

所有数组的大小都等于优化空间的维数，因此它等于正在优化的专家顾问参数的数目（传递给构造函数）。默认情况下，目标函数值越大，优化效果越好。因此，用最小可能的 -DBL_MAX 数值来初始化 bestValue 字段。其中一个交易指标通常被用来作为评估EA的标准，如利润、盈利能力、夏普比率等。如果通过较低值被认为更好的参数，例如回撤，来执行优化，则可以进行适当的转换以最大化相反的值。

数组和变量是公有的，以简化访问和它们的重新计算代码。严格遵守OOP原则需要使用“private”修饰符隐藏它们，并描述读取和修改方法。

作者：Stanislav Korotky

新评论
原因: