# 参数优化
我们在初步获得了一个内在逻辑比较合理的量化模型之后，模型设计者会希望该模型能够尽可能地获得历史测试结果的最佳值，以期在未来实战中能够尽量获得最满意的结果。这就不可避免地要涉及对模型参数的优化设置。
金字塔中，参数优化功能依托于回测相关设置。所以回测入口在回测界面中，如下图所示：
# 遗传算法介绍
- 传统优化算法是从单个初始值迭代求最优解；容易误入局部最优解。但是遗传算法从串集开始搜索，复盖面大，利于全局择优。
- 遗传算法的初始串集本身带有大量与最优解甚远的信息；通过选择、交叉、变异操作能迅速排除与最优解相差极大的串；这是一个强烈的滤波过程；并且是一个并行滤波机制。故而，遗传算法有很高的容错能力。
- 遗传算法中的选择、交叉和变异都是随机操作，而不是确定的精确规则。采用随机方法进行最优解搜索，选择体现了向最优解迫近，交叉体现了最优解的产生，变异体现了全局最优解的复盖。
# 遗传算法原理
在金字塔中，当选择遗传算法时，将显示如下图红框所示的设置选项。
优化目标：按照参数优化结果显示可选列的字段作为优化目标。
目标方向：遗传算法的筛选方向。
采样数量：初始采样数据密度控制，密度越大，遗传算法越趋向于穷举方式。
原理：
- 在穷举组合中，均匀分布组合后的参数样本。（样本数量受
采样数量控制） - 将选取的样本按照
优化目标和目标方向的条件筛选样本中最优的参数组合。 - 再在最优的参数组合周围进行二次样本选取。
- 循环往复，直至选取的样本范围最小后结束筛选。
# 优化结果
优化完成后，优化结果通过下图展示，用户可以双击相应的参数，查阅对应的详尽回测报告。
# 优化技巧
用户总是希望一次得到最优结果，使得参数范围和步长成反比，造成优化过程非常缓慢、也造成内存不足的情况出现，影响计算机运算的稳定性。建议在每次优化的结果的基础上，重新调整参数和步长(缩小优化范围原则)，递进完成优化。
优化后的交易测评图形，每个小格就是每次优化后的结果，根据用户选择的类别不同，颜色也是由红到绿不同。双击一个小格，我们可以到交易评测报告里，详细观看不同参数时，交易测试的详细情况。如下图所示：
由图我们看出，粉色框选的部分，为集中盈利区，我们只要对这个区域的参数进行细致优化，就可以逐步的找出最优参数。单击【划定优化区】后，框选二次优化的区间范围。 这时我们只要将优化步长重新设置好一个合理数字（推荐500－1000以内）再重新进行优化即可。反复几次操作，就可以最终的找到最佳参数！
说明
- 参数优化时，若参与优化的参数少于2个，将无法生成热力图。
# 队列优化
金字塔在策略优化的基础上，提供队列优化功能，便于用户依次执行多个策略优化的任务需求。可以在【查看】—【更多窗口】—【优化队列窗口】中打开队列优化主界面。如下图所示：
# 队列优化设置
队列优化功能必须依托于图表回测设置和参数优化设置选项才能完成（详见参数优化）。 在参数优化界面中点击【添加到优化队列中】，进行逐个添加。
注:设置多组参数优化条件过程中，不能关闭“队列优化”界面否者添加的队列会被清空。
