TL;DR: DEX 聚合路由算法分两个阶段：首先从 500 万流动性池中筛选出约 1000 条可行路径，然后通过价格平衡算法将交易金额智能分配到多条路由，使所有路由的最终价格趋于一致，从而最大化总收益。对于 100 ETH 的大额交易，拆单优化可以比单一路由多获得 1500+ USDT。

前置知识：本文假设读者熟悉 AMM 的基本原理和滑点概念。如果不熟悉，建议先阅读 DEX 交易机制。

---

问题的本质：在海量可能性中寻找最优解

当用户想用 ETH 换 USDT 时，面临的不是一个简单的查询问题，而是一个组合优化问题。

市场上有约 500 万个流动性池，每个池的价格、深度、手续费都不同。理论上，从 ETH 到 USDT 的路径可以是直接兑换，也可以经过一个或多个中间代币。如果考虑所有可能的组合，路径数量是天文数字——单是三跳路由就有数十亿种可能。

更复杂的是，大额交易会显著改变池子的状态。在一个池子里交易 100 ETH，滑点可能高达 5%；但如果把这 100 ETH 分散到 10 个池子，每个池子只承受 10 ETH 的冲击，总滑点可能降到 1% 以下。这意味着最优解不仅要找到好的路径，还要决定每条路径分配多少资金。

这就是 DEX 聚合路由算法要解决的核心问题：在海量的路径空间中，找到收益最大化的交易方案。

---

算法架构：两阶段优化

整个算法分为两个阶段，每个阶段解决一个子问题。

第一阶段：多跳路由生成。从 500 万个池子中，生成所有可行的交易路径，并筛选出约 1000 条优质候选路由。这个阶段的目标是「不遗漏好路径」，同时「过滤掉明显差的路径」。

第二阶段：拆单与价格优化。在候选路由中，决定每条路由分配多少资金，使总收益最大化。这个阶段的目标是「让所有被选中路由的最终价格趋于一致」——这是数学上可证明的最优条件。

两个阶段的分离是有意为之的。路由生成是一个离散的组合问题，适合用过滤和剪枝来处理；价格优化是一个连续的数值问题，适合用二分搜索来逼近。把它们分开，可以让每个阶段使用最适合的算法。

---

第一阶段：多跳路由生成

数据预处理：从 500 万到 50 万

原始数据中充斥着无效池子。有些是「貔貅币」——只能买入不能卖出的诈骗代币；有些是钓鱼池，用虚假的高收益吸引用户；还有大量流动性极低的池子，交易手续费都无法覆盖。

第一步是清洗数据。过滤规则包括：

• 移除已知的诈骗代币和钓鱼池（基于黑名单）
• 移除流动性低于 1 美元的池子（无法覆盖 Gas 费）
• 移除长期无交易的死池

经过过滤，500 万个池子减少到约 50 万个有效池子。这一步将数据量减少了 90%，为后续计算奠定基础。

智能分组：按交易对特征分类

50 万个池子仍然太多，不能暴力枚举所有组合。关键洞察是：大多数组合是无效的。

以 ETH → USDT 交易为例，有效的路径必须满足「代币连续性」——前一跳的输出必须是后一跳的输入。这意味着我们可以按交易对特征将池子分组：

分组	描述	数量
ETH-USDT 池	直达路由	~200
ETH-TokenA 池	二跳路由起点	~1,500
TokenB-USDT 池	二跳路由终点	~5,000
TokenB-TokenC 池	三跳路由中间段	~300,000

分组之后，路由生成变成了在分组之间做笛卡尔积。单跳路由直接从 ETH-USDT 池中选取；二跳路由是 ETH-TokenA 池和 TokenA-USDT 池的组合；三跳路由则需要三个分组的组合。

路径生成与筛选

即使分组后，组合数量仍然庞大。二跳路由有 1,500 × 5,000 = 750 万种可能；三跳路由更是达到数十亿级别。

筛选策略是多层过滤，逐步收紧条件：

第一层：流动性深度过滤。计算每条路由的理论最大交易量（受限于路径中流动性最小的池子），移除低于阈值（如 100 美元）的路由。

第二层：代币匹配验证。确保路径的连贯性——前一跳输出的代币必须与后一跳输入的代币完全匹配。这听起来显而易见，但在实际数据中，同名代币可能有不同的合约地址。

第三层：路由去重。移除在同一条路由中重复使用同一个池子的情况。这种路由在数学上是无效的——你不能在同一个池子里同时买入和卖出同一种代币。

第四层：成本估算。对每条路由进行粗略的成本估算，包括预期滑点和 Gas 费用。移除成本明显过高的路由。

第五层：数量限制。为了保证后续计算的性能，最终保留约 1000 条优质路由。如果筛选后数量仍然过多，递归地收紧筛选条件，直到满足限制。

经过五层筛选，从数十亿条理论路径收敛到 1000 条实用路由。

---

第二阶段：拆单与价格优化

为什么要拆单

先看一个具体的对比。

不拆单：100 ETH 全部走 Uniswap V3 的 ETH-USDT 池。由于交易量大，滑点达到 5%，最终获得 199,500 USDT。

拆单：将 100 ETH 分配到多条路由。

路由	分配	滑点	获得
Uniswap V3	35 ETH	2%	71,540 USDT
SushiSwap	30 ETH	1.5%	61,710 USDT
Curve	20 ETH	1%	41,580 USDT
Balancer	15 ETH	0.8%	31,248 USDT
合计	100 ETH	—	206,078 USDT

拆单后多获得 6,578 USDT，收益提升 3.3%。对于大额交易，这个差异非常可观。

拆单有效的原因是 AMM 的滑点是非线性的。在恒定乘积公式下，滑点与交易量的平方成正比。把一笔大交易拆成多笔小交易，总滑点会显著降低。

最优分配的数学原理

什么样的分配是最优的？答案是：让所有被选中路由的最终价格趋于一致。

这个结论可以用反证法证明。假设最优分配下，路由 A 的最终价格是 2,100 USDT/ETH，路由 B 的最终价格是 2,000 USDT/ETH。那么我们可以从路由 A 移一点资金到路由 B——路由 A 的价格会上升（因为交易量减少），路由 B 的价格会下降（因为交易量增加）。只要两者价格不相等，这种调整就能增加总收益。因此，最优解必然是所有路由价格相等。

这个原理类似于连通器中的水位平衡。每条路由就像一个水池，初始水位（价格）不同。我们要往这些水池里注水（分配资金），使最终水位趋于一致。

两步搜索算法

知道了最优条件，问题变成了：如何找到那个「平衡价格」？

我们使用两步搜索法：

第一步：确定价格区间。

• 价格下限：用全部资金走单一最优路由时的成交价
• 价格上限：用极小金额（如 0.1 ETH）测试所有路由，取最高价

这一步确定了搜索范围。最优价格一定在这个区间内。

第二步：二分搜索逼近。

给定一个目标价格 P，我们可以计算每条路由需要分配多少资金才能使其最终价格等于 P。如果所有路由的分配总和大于实际交易量，说明 P 太高，需要降低；反之则需要提高。

while (price_high - price_low > 1e-7):
    price_mid = (price_high + price_low) / 2
    total_allocation = sum(calculate_allocation(route, price_mid) for route in routes)
    
    if total_allocation > target_amount:
        price_high = price_mid
    else:
        price_low = price_mid

二分搜索的收敛速度是对数级的。通常 20-30 次迭代就能达到足够的精度。

路由数量限制

实际系统中，路由数量不能无限多。每增加一条路由，就增加一次链上交易，Gas 费用会累加。通常限制在 16 条以内。

如果初步计算得到的路由数量超过限制，需要进一步筛选。策略是逐步提高最小分配金额阈值，移除分配量过小的路由，直到数量满足限制。

---

实际效果

在生产环境中，算法的效果与交易规模相关：

交易规模	收益提升	典型路由数
< 1 ETH	0.1-0.3%	1-3
1-10 ETH	0.3-0.8%	3-8
10-100 ETH	0.8-2%	8-16
> 100 ETH	1-3%	16

小额交易的优化空间有限，因为 Gas 费用占比较高。大额交易的优化空间显著，拆单带来的收益远超额外的 Gas 成本。

---

局限性与权衡

延迟与准确性的权衡

路由计算需要时间。筛选 500 万个池子、生成路径、优化分配，整个过程可能需要数百毫秒。在这段时间内，市场价格可能已经变化。

实际系统通常采用缓存策略：预先计算常见交易对的路由，定期更新。用户请求时直接返回缓存结果，牺牲一定的准确性换取响应速度。

MEV 风险

聚合器的交易通常是公开的。专业的 MEV 机器人可以监控内存池，在用户交易之前插入自己的交易（front-running），或者在用户交易之后套利（back-running）。

部分聚合器通过私有交易池（如 Flashbots）来规避这个问题，但这增加了系统复杂性。

Gas 费用的不确定性

路由计算时估算的 Gas 费用可能与实际执行时不同。网络拥堵时，Gas 价格可能飙升，导致原本有利可图的拆单变得不划算。

---

进一步阅读

• 1inch Pathfinder — 1inch 聚合协议的技术文档
• Uniswap Auto Router — Uniswap 的多跳路由实现
• CoW Protocol Solver — 批量拍卖中的求解器机制
• Convex Optimization — 凸优化理论，价格平衡算法的数学基础