Page 124 - 2025年第56卷第1期

提出 ＡＣＧＷＯ－ＲＦ 算法， 以揭示影响参数与碾压质量的复杂非线性不确定性映射关系， 解决参数存在
的随机、 模糊和灰色性等问题； 将模糊评价法 ［１９］ 和 Ｄ－Ｓ 证据理论 ［２０］ 相结合， 提出基于 Ｄ－Ｓ 证据理论
的碾压质量综合评价方法。 工程应用层中， 利用 ＡＣＧＷＯ－ＲＦ 算法建立碾压质量评价模型， 生成碾压
仓面质量评价云图， 并对比分析模型的预测精度、 泛化精度及鲁棒性； 同时， 基于干密度、 压实度评
价结果和 ＣＶ 值， 采用 Ｄ－Ｓ 证据理论获得仓面碾压质量综合评价图； 最后采用耦合实景导引、 声光报
警装置和前后方监管的多级反馈控制机制保障现场碾压质量。

图 １ 基于改进证据理论的土石坝碾压质量综合评价方法研究框架图

３ 基于 ＡＣＧＷＯ－ＲＦ 算法的坝面碾压质量评价模型

为更准确地捕捉参数与碾压质量指标之间的不确定拟合关系， 提高预测模型的精度、 泛化能力及
鲁棒性， 提出 ＡＣＧＷＯ－ＲＦ 算法。 其中， 考虑到 ＲＦ 算法 ［１３，２２］ 具有不易过拟合、 泛化误差低、 适用于
小样本数据集以及对多元共线性不敏感等优点， 然而其无法自适应获得最优参数， 而且不断测试分析
的方式既耗费时间且无法获得最高精度； 同时， ＧＷＯ 算法 ［２３－２４］ 具有调置参数少、 寻优指向性好以及
求解函数优化问题中表现优越等优势， 但存在易陷入局部最优和早熟的问题， 为了保证碾压质量评价
模型的泛化能力和精度水平， 结合混沌理论 ［２５］ 和自适应理论 ［２４］ ， 改进 ＧＷＯ 和 ＲＦ 算法， 建立基于

ＡＣＧＷＯ－ＲＦ 算法的高土石坝坝面碾压质量评价模型。
［２６］ 提出， 相关研究成果 ［１３，２２，２６］
３．１ 随机森林算法 随机森林（ＲＦ） 算法于 ２００１ 年由 Ｂｒｅｉｍａｎ 表明 ＲＦ
算法不易出现过拟合、 泛化误差低、 在处理小样本数据和噪声异常值方面具有优越性等优点。 因此，

— １ １ ９ —