В статье описан способ быстрой оптимизиции методом роя частиц, представлена его реализация на MQL, готовая к применению как в однопоточном режиме внутри эксперта, так и в параллельном многопоточном режиме в качестве надстройки, выполняющейся на локальных агентах тестера.
关于交易、自动交易系统和交易策略测试的论坛
讨论文章 "群体优化算法：微型人工免疫系统 (Micro-AIS) 算法"
fxsaber, 2024.01.21 01:38 AM
IWO 的最佳坐标与返回值不匹配。
把它拉进来
据我所知，自定义优化只在一个内核的终端图上完成，而我在测试器中讨论的是多线程优化（对于我在文章 中描述的粒子群算法，对于大多数其他算法，通过类比也应该是可行的，因为通常有一个将任务划分为代理组的原则）。但是，测试器只停留在最原始的例子上（我给出了上面的测试），这就把这个想法扼杀在了萌芽状态。
我已经组装并编译了该项目。从技术上讲，一切都运行得很好，只是从 Stanislav 处获取 的 PSO 算法出现了错误，所以没有记录在日志中，我将在下面给出。
在查看源代码时，有一个关于 FF 运行次数的问题，默认值是 1000。这是非常低的，结果不会比随机的好多少。内部测试人员进行了 19968 次 FF 运行，因此我将源代码设置为 20000 次。
我在工作人员中做了 5 次优化，结果显示是最好的。在文章中，使用了 10 次优化，显示的是平均结果。
接下来，我使用了 FF Megacity，这是最接近实际离散交易策略问题的离散函数（Hilly 和 Forest 比较平滑，更适合评估执行 MO 任务的能力）。
测试仪中的设置：
5 次运行后的优化结果：
自定义运行 #1 的结果：
定制发射 2 的结果：
自定义运行 #3 的结果：
100%收敛的结果以黄色标出。
我们可以看到，在如此粗的步长下，即使是 RND 算法也能收敛。但是，只有多次运行（这在文章中已经提到）并考虑平均结果，才能使结果更加可靠。我们可以看到，在突出显示的算法中，并非所有算法都能重复收敛。
结论
1. 算法只有在多次测试中才能充分展示自己（在单次测试中，结果可能是偶然的）。
2. 只有在变量多、步骤小的情况下，算法的能力才能得到体现，否则结果往往是随机的（以 RND 为例，它在一次测试中就显示了 100% 的收敛性）。
3.运行次数要多，约为 10000 次（例如，人口数量为 50 时，历时次数为 10000/50=200，运行 1000 次，历时次数仅为 20），FF 运行次数越少，结果越趋于随机，原因显而易见。
工作人员用光标高亮显示的结果中，第一个结果为 0.666，第四个结果的最大值为 0.97。在结果列表中，最佳结果显示为 0.97。
据我所知，自定义优化只在一个内核的终端图上完成，而我在测试器中讨论的是多线程优化（对于我在文章 中描述的粒子群算法，对于大多数其他算法，通过类比也应该是可行的，因为通常有一个将任务划分为代理组的原则）。但是，测试器只支持最原始的示例（我给出了上面的测试），这就把这个想法扼杀在了萌芽状态。
除了从斯坦尼斯拉夫（Stanislav）那里获得的 PSO 算法之外，其他一切都运行得很好。
最好能弄清这个问题。
这些是错误
此类错误
从此处 获取TypeToBytes.mqh。