文章 "协方差矩阵自适应演化策略（CMA-ES）" 新评论 MetaQuotes 2026.07.27 11:11 新文章 协方差矩阵自适应演化策略（CMA-ES）已发布： 本文探讨了一种最有趣的非梯度优化算法，该算法能够学习理解目标函数的几何特性。我们将重点关注对 CMA-ES 的经典实现，并稍作修改 — 用幂律分布代替正态分布。我们将深入探究算法背后的数学原理以及实际实现方式，并验证 CMA-ES 在哪些方面无懈可击，以及在哪些方面应避免使用。 CMA-ES 基于一个看似简单的方程： x_k ~ N(m, σ²C) 。然而，这种简洁的背后隐藏着深厚的数学结构。这里的每个符号都承载着关于搜索状态的重要信息：m 是当前对最优解位置的最佳猜测， σ 是我们愿意冒险偏离已知解的程度度量，而 C 是一个协方差矩阵，它编码了我们对函数几何特性的理解。我们唯一可以合理引入的改动是用幂律分布替换正态分布，这意味着实现将遵循一个修改后的方程：x_k ~ PowerDist(m, σ²C)。 这一修改改变了对搜索空间的探索方式（更大的‘跳跃’），但保留了算法的基本自适应性质。 协方差矩阵 C 是该算法的真正核心。它起初是一个不起眼的单位矩阵，代表一种球形分布。但每一次迭代都会有所演变，在快速改进的方向上不断延伸，而在进展缓慢的地方则有所收缩。逐渐地，球体变成一个椭圆，然后变成一个细长的椭球体，理想情况下，其方向与待优化函数的轮廓相一致。 作者：Andrey Dik 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
新文章 协方差矩阵自适应演化策略（CMA-ES）已发布：
CMA-ES 基于一个看似简单的方程： x_k ~ N(m, σ²C) 。然而，这种简洁的背后隐藏着深厚的数学结构。这里的每个符号都承载着关于搜索状态的重要信息：m 是当前对最优解位置的最佳猜测， σ 是我们愿意冒险偏离已知解的程度度量，而 C 是一个协方差矩阵，它编码了我们对函数几何特性的理解。我们唯一可以合理引入的改动是用幂律分布替换正态分布，这意味着实现将遵循一个修改后的方程：x_k ~ PowerDist(m, σ²C)。 这一修改改变了对搜索空间的探索方式（更大的‘跳跃’），但保留了算法的基本自适应性质。
协方差矩阵 C 是该算法的真正核心。它起初是一个不起眼的单位矩阵，代表一种球形分布。但每一次迭代都会有所演变，在快速改进的方向上不断延伸，而在进展缓慢的地方则有所收缩。逐渐地，球体变成一个椭圆，然后变成一个细长的椭球体，理想情况下，其方向与待优化函数的轮廓相一致。
作者：Andrey Dik