文章 "种群优化算法：模拟退火（SA）。第 1 部分"
这是一本很好的优化算法参考书，谢谢！
兄弟，内容很精彩，我喜欢你用如此简洁的方式表达算法，同时又很容易阅读。
我想问你一个与测试目标函数有关的小问题。我们如何才能创建一个目标函数，返回专家顾问在当前设置下的历史盈利或亏损情况，这样我们就能优化专家参数以获取利润。希望我的问题表达清楚了。
Gamuchirai Zororo Ndawana #:
兄弟的内容非常精彩，我喜欢你用如此紧凑的方式表达算法，同时又易于阅读。
兄弟的内容非常精彩，我喜欢你用如此紧凑的方式表达算法，同时又易于阅读。
我想问你一个与测试目标函数有关的小问题。我们如何才能创建一个目标函数，返回专家顾问在当前设置下的历史盈利或亏损情况，这样我们就能优化专家参数以获取利润。希望我的问题表达清楚了。
如果您不介意从 fxsaber 处挖掘一些隐秘的源代码，那么请查看fxsaber 博客中发布的实现方法（可能需要语言翻译）。
Optimization - самостоятельная оптимизация торгового советника.
- 2024.03.26
- www.mql5.com
После появления своего тикового тестера логичным продолжением было применить его на множестве алгоритмов оптимизации . Другими словами, научиться оптимизировать торговые советники самостоятельно - без
Gamuchirai Zororo Ndawana #:
精彩的内容，我喜欢你以如此紧凑的方式阐述算法，同时又易于阅读。
精彩的内容，我喜欢你以如此紧凑的方式阐述算法，同时又易于阅读。
我想问您一个与测试目标函数有关的问题。我们怎样才能创建一个目标函数，返回 EA 在当前设置下的历史利润或亏损，从而优化 EA 参数以获取利润。我希望我已经清楚地表达了问题。
感谢您的赞誉，很高兴您喜欢这篇文章。希望@Stanislav Korotky 的评论对您有所帮助。
TesterStatistics () 可能有助于编译自定义拟合函数，供 OnTester () 使用。
是否有示例说明如何在 EA 中实现这些算法？
谢谢。
Использование алгоритмов оптимизации для настройки параметров советника "на лету"
- www.mql5.com
В статье рассматриваются практические аспекты использования алгоритмов оптимизации для поиска наилучших параметров советников "на лету", виртуализация торговых операций и логики советника. Данная статья может быть использована как своеобразная инструкция для внедрения алгоритмов оптимизации в торгового советника.
Aleksey Nikolayev 外部 dll。
如果你需要代码级的并行化，OpenCL 已被广泛使用--请查看 Gizlyk 有关神经网络的文章 和他的教科书。
如果需要在整个程序层面进行优化和并行化，就像在标准优化器中一样，可以参考Booster 的例子，它将 EA 实例并行化为代理（使用纯 MQL5，不使用外部 dll）。
MQL5 不支持为 C# 中的单独函数创建三元组以及其他形式的代码并行化。
Нейросети в алготрейдинге — практическое пособие по использованию машинного обучения в алгоритмическом трейдинге
- www.mql5.com
В эпоху цифровых технологий и искусственного интеллекта алгоритмическая торговля преобразует финансовые рынки, предлагая новые стратегии для...
新文章 种群优化算法：模拟退火（SA）。第 1 部分已发布：
模拟退火算法是受到金属退火工艺启发的一种元启发式算法。在本文中，我们将对算法进行全面分析，并揭示围绕这种广为人知的优化方法的一些常见信仰和神话。本文的第二部分将研究自定义模拟各向同性退火（SIA）算法。
模拟退火算法由 Scott Kirkpatrick、George Gelatt 和 Mario Vecchi 于 1983 年开发。在研究高温下液体和固体的性质时，发现金属转变为液态，颗粒随机分布，而能量最小的状态是在初始温度足够高、冷却时间足够长的条件下实现的。如果不满足此条件，那么材料将发现自身处于具有非最小能量的亚稳态 — 这称为硬化，它是由材料的急剧冷却造成。在这种情况下，原子结构不具备对称性（各向异性状态，或晶格内材料的性质不均匀）。
在缓慢的退火过程中，材料也变成固态，但具有组织化的原子和对称性，故此拟议使用该过程开发一种优化算法，该算法可以在复杂问题中找到全局最优。该算法也被提议作为解决组合优化问题的方法。
因此，该算法的主要思路是基于金属退火过程的数学模拟。在退火过程中，为了均匀分布其内能，将金属加热到高温后缓慢冷却，令金属分子移动，并有序进入更稳定的状态，同时释放金属中的内应力，去除晶间缺陷。术语“退火”也与热力学自由能有关，热力学自由能是材料的一个属性，取决于其状态。
模拟退火优化算法使用类似的过程。该算法应用了类似于加热和冷却材料的操作。该算法从初始解开始工作，该初始解可以是随机的，也可从以前的迭代中获得。然后，它应用操作来更改解的状态（可以是随机的、或受控的），从而获得新状态，即使它比当前状态更差。做出更差决策的概率由“冷却”函数决定，该函数降低了随着时间的推移做出更差决策的概率，允许算法暂时“跳出”局部最优值，并在搜索空间的其它地方寻找更好的解。
作者：Andrey Dik