文章 "神经网络变得轻松（第二十九部分）：优势扮演者-评价者算法"
你好，德米特里
非常感谢您详尽且极具启发性的系列文章。做得非常好。
只有一个问题：从您上一篇文章（#29）的附件中下载了所有代码后，我无法编译，因为缺少 CBufferDouble 类的定义，我想它应该在
NeuroNet_DNG\NeuroNet.mqh
但是没有。
我是不是漏掉了什么？
谢谢！
致以最崇高的敬意
保罗
你好，德米特里、
这个系列很棒，我是它的忠实粉丝。我也试着编译了 Reinforce EA，发现它也需要 aunto-encoder（当然），所以我添加了最后一个版本（来自第 22 篇）的 VAE.mqh，但由于某些原因，它找不到 Normal.mqh 定义：
我肯定我做错了什么，希望您能帮忙。
谢谢！
你好，德米特里、
这个系列很棒，我是它的忠实粉丝。我也试着编译了 Reinforce EA，发现它也需要 aunto-encoder（当然），所以我添加了最后一个版本（来自第 22 篇）的 VAE.mqh，但由于某些原因，它找不到 Normal.mqh 定义：
我肯定我做错了什么，希望您能提供帮助。
干杯
您好，请在本文中加载最后一个版本https://www.mql5.com/ru/articles/11804
- www.mql5.com
感谢 Dmitriy 的快速回复、提供的帮助和宝贵的时间，但我还是得到了同样的结果。
似乎 FQF-learning 调用 FQF.mqh
这反过来又调用了 NeuroNet...
当然，最后一个调用的是 VAE.mqh
而我能找到的唯一版本是第 22 篇中的那个...
使用该版本最终导致 VAE 找不到 Normal.mqh 函数的引用
会不会是我的编辑器版本出了问题？
谢谢。
......出于某种原因，如果从 NeuroNet 调用 Normal 库，在 VAE.mqh 上是无法访问的，我真的不知道为什么（我在两个不同的版本上都试过）...
因此，我在 VAE 和 Neuronet 上直接添加了对 Normal 的调用，但不得不删除 FQF 上的数学空间，从而解决了这个问题：
很奇怪......但还是成功了：
执行以下语句时，由于没有 EURUSD_PERIOD_H1_REINFORCE.nnw，初始化失败
if(!Actor.Load(ACTOR + ".nnw", dError, temp1, temp2, dtStudied, false) |||!
!Critic.Load(CRITIC + ".nnw", dError, temp1, temp2, dtStudied, false))
返回 INIT_FAILED；
如何解决这个问题？谢谢。
警告"...隐藏方法调用... "的另一种解决方案
在 Actor_Critic.mq5 的第 327 行：
我收到了 "已过时的行为，隐藏方法调用将在未来的 MQL 编译器版本中禁用 "的警告：
这是指 "Maximum(0, 3) "的调用，必须改为 "Maximum(0, 3)"：
因此，在这种情况下，我们必须添加 "CArrayFloat:: "来指定所指的方法。最大值()方法被 CBufferFloat 类覆盖，但这个方法没有参数。
虽然调用应该是明确的，因为它有两个参数，但编译器还是希望我们能意识到这一点;-)
执行以下语句时，由于没有 EURUSD_PERIOD_H1_REINFORCE.nnw，初始化失败
if(!Actor.Load(ACTOR + ".nnw", dError, temp1, temp2, dtStudied, false) |||
!Critic.Load(CRITIC + ".nnw", dError, temp1, temp2, dtStudied, false))
返回 INIT_FAILED；
如何解决这个问题？谢谢。
在这些行中，加载了应该训练的网络结构。在启动 EA之前 ，您必须先构建网络并将其保存到指定文件中。例如，您可以使用第 23 条中的模型构建工具
- www.mql5.com
新文章 神经网络变得轻松（第二十九部分）：优势扮演者-评价者算法已发布：
在本系列的前几篇文章中，我们见识到两种增强的学习算法。 它们中的每一个都有自己的优点和缺点。 正如在这种情况下经常发生的那样，接下来的思路是将这两种方法合并到一个算法，使用两者间的最佳者。 这将弥补它们每种的短处。 本文将讨论其中一种方法。
针对前几篇文章中的模型进行附加训练的好处是，我们可用上一篇文章中的测试 EA 来检查它们的训练结果。 这就是我如何做的。 训练模型之后，我采用了额外训练的策略模型，并利用上述模型在策略测试器中启动了 “REINFORCE-test.mq5” EA。 它的算法在上一篇文章中已进行了讲述。 其完整代码可在附件中找到。
下面是测试期间 EA 的余额图形。 如您所见，在测试期间，余额均匀增长。 请注意，模型是基于训练样本之外的数据上进行测试的。 这表明构建交易系统的方式是一致的。 测试仅针对模型，故所有操作均以固定的最小手数执行，且不用止损和止盈。 强烈建议不要在实盘交易中使用这样的 EA。 它仅仅是演示经过训练的模型如何工作。
在价格图表上，您可以看到亏损交易会快速平仓，而盈利持仓则会持有一段时间。 所有操作均在新烛条开盘时执行。 您还可以注意到，若干交易操作几乎是在反转（分形）烛条开盘时就执行了。
作者：Dmitriy Gizlyk