量化软件——赫兹MT5群体优化算法随机扩散搜索（SDS）

随机扩散搜索（Stochastic Diffusion Search，SDS）算法由 J.Bishop 于1989年提出，并由 Bishop 和 S.Nasuto 积极开发。与其他群体算法相比，该算法的一个显著特征是其深刻的数学合理性。SDS最初是为离散优化而开发的。2011年，提出了对其进行全局连续优化的修改。

餐厅游戏

一群代表正在一个陌生的城市参加一个长会议，每天晚上，他们都面临着选择餐馆吃饭的问题。这座城市有许多餐馆，提供各种各样的菜肴。小组的目标是找到最好的一个，让每个代表都能享受一顿饭。然而，对所有可能的餐厅和菜肴组合进行详尽的搜索会花费太多时间。为了解决这个问题，代表们采用随机扩散搜索。

每位代表都充当一名代理人，对城市中最好的餐厅的选择进行猜测。每天晚上，代表们通过参观餐厅并从餐厅的菜肴中随机选择一种来测试他们的假设。第二天早上，在早餐时，每一位对前一晚的晚餐不满意的代表都会请他的一位同事分享他们对晚餐的印象。如果同事的印象是正面的，代表也会选择那家餐厅。否则，代表将从该城市的可用餐厅列表中随机选择另一个位置。

因此，得益于这一策略，大量代表迅速形成，聚集在城市中最好的餐厅周围。

这个游戏有几个有趣的特点。在完全没有外部控制和管理的情况下，一群代表进行沟通，以解决无法单独快速解决的问题。如果当前餐厅的服务或菜单显著下降或业务关闭，则代表有效地转到下一家最好的餐厅。主要要求是餐厅、菜单和个人菜肴的可比性。每个代理自己决定他们的体验是否良好。

在评估城市所有地点的所有菜肴之前，代表们将在一家高质量的餐厅度过许多晚上。
批评者指出，代表们可能有不同的食物偏好，因此一名代表可能会找到一家他们喜欢所有菜肴的餐厅，但这可能无法满足其他人的需求。如果只有一名或少数代表永久留在这样的餐厅，其余代表将继续照常行事，最终大多数代表仍会聚集在最好的餐厅。然而，在极端情况下，所有代理人可能会发现自己独自用餐。即使只有一家优秀的餐厅能让大多数代表满意，这家餐厅将永远找不到，因为所有代表都对他们目前的选择感到满意，不会寻找新的位置。

我们的实现对搜索策略的逻辑进行了微小的更改，这要归功于即使没有经验更好的代表，代表也会继续搜索餐厅，因此对餐厅的搜索不会停止，这与规范版本不同，在规范版本中，改变当前对餐厅的看法与前一个观点相比很重要。如果大多数代表的意见没有好转，那么他们将继续去同一家餐厅，这意味着陷入局部的极值。

金矿游戏

一群由经验丰富的矿工组成的朋友了解在山脉的山丘上开采黄金的可能性。然而，他们没有关于最富有的地方到底在哪里的信息。在他们的地图上，山脉被划分为几个单独的山丘，每个山丘都包含一组需要开采的地层。随着时间的推移，发现黄金的概率与其财富成正比。

为了最大限度地增加他们的集体财富，矿工们应该确定这座山