Page 134 - 2025年第56卷第1期

（４）： ４６１－４７３．
［ ２３ ］ ＭＩＲＪＡＬＩＬＩ Ｓ， ＭＩＲＪＡＬＩＬＩ Ｓ Ｍ， ＬＥＷＩＳ Ａ． Ｇｒｅｙ Ｗｏｌｆ Ｏｐｔｉｍｉｚｅｒ［Ｊ］． Ａｄｖａｎｃｅｓ ｉｎ Ｅｎｇｉｎｅｅｒｉｎｇ Ｓｏｆｔｗａｒｅ， ２０１４，
６９（３）： ４６－６１．
［ ２４ ］ ＬＩ Ｘ， ＦＵ Ｑ， ＬＩ Ｑ， ｅｔ ａｌ． Ｍｕｌｔｉ－ｏｂｊｅｃｔｉｖｅ ｂｉｎａｒｙ ｇｒｅｙ ｗｏｌｆ ｏｐｔｉｍｉｚａｔｉｏｎ ｆｏｒ ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｇｕｉｄｅｄ ｍｕ⁃
ｔａｔｉｏｎ ｓｔｒａｔｅｇｙ［Ｊ］． Ａｐｐｌｉｅｄ Ｓｏｆｔ Ｃｏｍｐｕｔｉｎｇ， ２０２３， １４５： １１０５８．
［ ２５ ］ ＫＯＨＬＩ Ｍ， ＡＲＯＲＡ Ｓ． Ｃｈａｏｔｉｃ ｇｒｅｙ ｗｏｌｆ ｏｐｔｉｍｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｃｏｎｓｔｒａｉｎｅｄ ｏｐｔｉｍｉｚａｔｉｏｎ ｐｒｏｂｌｅｍｓ［Ｊ］． Ｃｏｍｐｕ⁃
ｔａｔｉｏｎａｌ Ｄｅｓｉｇｎ ＆ Ｅｎｇｉｎｅｅｒｉｎｇ， ２０１８， ５（４）： ４５８－４７２．
［ ２６ ］ ＢＲＥＩＭＡＮ Ｌ． Ｒａｎｄｏｍ Ｆｏｒｅｓｔｓ［Ｊ］． Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ， ２００１， ４５（１）： ５－３２．
［ ２７ ］ 吕菲， 钟登华， 余佳， 等． 迁移学习框架下高心墙堆石坝施工仿真参数 ＩＧＯＡ－ＭＬＰ 动态预测模型［Ｊ］． 水
利学报， ２０２３， ５４（１０）： １１５１－１１６２．
［ ２８ ］ 王佳俊． 心墙堆石坝坝面碾压智能监控方法与应用研究［Ｄ］． 天津； 天津大学， ２０１９．
［ ２９ ］ ＺＡＤＥＨ Ｌ Ａ． Ｆｕｚｚｙ ｓｅｔｓ［Ｊ］． Ｉｎｆｏｒｍａｔｉｏｎ ＆ Ｃｏｎｔｒｏｌ， １９６５， ８（３）： ３３８－３５３．
［ ３０ ］ 陈文苑， 张明， 赵伟． 不确定条件下水资源系统多目标优化配置研究［Ｊ］． 水力发电学报， ２０２１， ４０（１２）：
１２－２４．
［ ３１ ］ ＹＡＧＥＲ Ｒ Ｒ． Ｏｎ ｔｈｅ Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ ｆｒａｍｅｗｏｒｋ ａｎｄ ｎｅｗ ｃｏｍｂｉｎａｔｉｏｎ ｒｕｌｅｓ［Ｊ］． Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅｓ， １９８７， ４１
（２）： ９３－１３７．
［ ３２ ］ 朱小飞， 王永君， 李大军． 模糊评价中最大隶属度原则有效性检验［Ｊ］． 测绘与空间地理信息， ２０１６， ３９
（５）： １３５－１３７．
［ ３３ ］ 张剑亭， 郭生练， 陈柯兵， 等． 基于信息熵的梯级水库联合优化调度增益分配法［ Ｊ］． 水力发电学报，
２０２０， ３９（２）： ９４－１０２．

Ａ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｅｖａｌｕａｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ｒｏｌｌｉｎｇ ｑｕａｌｉｔｙ ｏｆ ｅａｒｔｈ－ｒｏｃｋ
ｄａｍ ｂａｓｅｄ ｏｎ ｉｍｐｒｏｖｅｄ ｅｖｉｄｅｎｃｅ ｔｈｅｏｒｙ

ＬＩＮ Ｗｅｉｗｅｉ， ＺＨＡＮＧ Ｊｕｎ， ＷＡＮＧ Ｘｉａｏｌｉｎｇ， ＷＡＮＧ Ｊｉａｊｕｎ， ＹＵ Ｈｏｎｇｌｉｎｇ
（Ｔｉａｎｊｉｎ Ｕｎｉｖｅｒｓｉｔｙ， ＳＫＬ ｏｆ Ｈｙｄｒａｕｌｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ Ｉｎｔｅｌｌｉｇｅｎｔ Ｃｏｎｓｔｒｕｃｔｉｏｎ ａｎｄ Ｏｐｅｒａｔｉｏｎ， Ｔｉａｎｊｉｎ ３００３５０， Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ： Ｔｈｅ ｑｕａｌｉｔｙ ｏｆ ｃｏｍｐａｃｔｉｏｎ ｄｕｒｉｎｇ ｒｏｌｌｉｎｇ ｓｉｇｎｉｆｉｃａｎｔｌｙ ｉｎｆｌｕｅｎｃｅｓ ｗｈｅｔｈｅｒ ｄａｍ ｓｅｔｔｌｅｍｅｎｔ ａｎｄ ｄｅｆｏｒｍａｔｉｏｎ
ｍｅｅｔ ｒｅｑｕｉｒｅｍｅｎｔｓ． Ｃｕｒｒｅｎｔ ｒｅｓｅａｒｃｈ ｏｎ ｅｖａｌｕａｔｉｏｎ ｍｏｄｅｌｓ ｒｅｌｉｅｓ ｏｎ ｌｉｍｉｔｅｄ ｒａｎｄｏｍ ｔｅｓｔ ｐｉｔ ｄａｔａ， ｌｅａｄｉｎｇ ｔｏ ｉｓｓｕｅｓ
ｏｆ ｒａｎｄｏｍｎｅｓｓ， ｆｕｚｚｉｎｅｓｓ， ｇｒｅｙ ａｒｅａｓ， ａｎｄ ｕｎｃｅｒｔａｉｎｔｙ． Ｔｏ ａｄｄｒｅｓｓ ｔｈｅｓｅ ｃｈａｌｌｅｎｇｅｓ， ｔｈｉｓ ｓｔｕｄｙ ｐｒｏｐｏｓｅｓ ａ ｒｏｌｌｉｎｇ
ｑｕａｌｉｔｙ ｅｖａｌｕａｔｉｏｎ ａｎｄ ｆｅｅｄ ｃｏｎｔｒｏｌ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｔｈｅ ＡＣＧＷＯ－ＲＦ ａｌｇｏｒｉｔｈｍ ａｎｄ ｅｖｉｄｅｎｃｅ ｔｈｅｏｒｙ． Ｉｎｉｔｉａｌｌｙ， ａ⁃
ｄａｐｔｉｖｅ ｆａｃｔｏｒ ａｎｄ ｃｈａｏｓ ｔｈｅｏｒｙ ｅｎｈａｎｃｅ ｔｈｅ ｓｅａｒｃｈ ｃａｐａｂｉｌｉｔｙ ｏｆ ｔｈｅ ＧＷＯ ａｌｇｏｒｉｔｈｍ， ｗｈｉｌｅ ｔｈｅ Ｎｔｒｅｅ ａｎｄ Ｍｔｒｙ ｐａ⁃
ｒａｍｅｔｅｒｓ ｏｆ ｔｈｅ ＲＦ ａｌｇｏｒｉｔｈｍ， ｓｕｉｔａｂｌｅ ｆｏｒ ｓｍａｌｌ ｓａｍｐｌｅ ｄａｔａｓｅｔｓ， ａｒｅ ｏｐｔｉｍｉｚｅｄ ｂａｓｅｄ ｏｎ ｔｈｅ ｐｒｏｐｏｓｅｄ ＡＣＧＷＯ．
Ｓｕｂｓｅｑｕｅｎｔｌｙ， ａ ｒｏｌｌｉｎｇ ｑｕａｌｉｔｙ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ ｅｍｐｌｏｙｉｎｇ ｔｈｅ ＡＣＧＷＯ－ＲＦ ａｌｇｏｒｉｔｈｍ ｉｓ ｅｓｔａｂｌｉｓｈｅｄ ｔｏ ｅｌｕｃｉｄａｔｅ
ｔｈｅ ｉｎｔｒｉｃａｔｅ ｎｏｎｌｉｎｅａｒ ｍａｐｐｉｎｇ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｒｏｌｌｉｎｇ ｑｕａｌｉｔｙ ａｎｄ ｉｎｆｌｕｅｎｃｉｎｇ ｖａｒｉａｂｌｅｓ ｓｕｃｈ ａｓ ｒｏｌｌｉｎｇ ｐａｒａｍｅ⁃
ｔｅｒｓ， ｍａｔｅｒｉａｌ ｓｏｕｒｃｅ ｐａｒａｍｅｔｅｒｓ， ａｎｄ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｐａｒａｍｅｔｅｒｓ． Ｍｏｒｅｏｖｅｒ， ｔｏ ａｄｄｒｅｓｓ ｃｈａｌｌｅｎｇｅｓ ｉｎ ｒｏｌｌｉｎｇ
ｑｕａｌｉｔｙ ｅｖａｌｕａｔｉｏｎ ｒｅｌａｔｅｄ ｔｏ ｒａｎｄｏｍｎｅｓｓ， ｆｕｚｚｉｎｅｓｓ， ｇｒｅｙ ａｒｅａｓ， ａｎｄ ｕｎｃｅｒｔａｉｎｔｙ， ａｓ ｗｅｌｌ ａｓ ｍｉｔｉｇａｔｉｎｇ ｔｈｅ ｏｎｅ－
ｓｉｄｅｄｎｅｓｓ ａｎｄ ｐｏｏｒ ａｃｃｕｒａｃｙ ｏｆ ａ ｓｉｎｇｌｅ ｅｖａｌｕａｔｉｏｎ ｉｎｄｉｃａｔｏｒ， ａ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｅｖａｌｕａｔｉｏｎ ｍｅｔｈｏｄ ｉｎｔｅｇｒａｔｅｓ ｔｈｅ ｃｏｎ⁃
ｔｉｎｕｏｕｓ ｍｏｎｉｔｏｒｉｎｇ ｉｎｄｅｘ （ＣＶ） ａｎｄ ｐｒｅｄｉｃｔｉｏｎ ｒｅｓｕｌｔｓ （ｄｒｙ ｄｅｎｓｉｔｙ ａｎｄ ｃｏｍｐａｃｔｉｏｎ ｄｅｇｒｅｅ） ｆｒｏｍ ｔｈｅ ＡＣＧＷＯ－ＲＦ
ａｌｇｏｒｉｔｈｍ． Ｆｕｚｚｙ ｍｅｍｂｅｒｓｈｉｐ ｄｅｇｒｅｅ ａｓｓｅｓｓｍｅｎｔ ｉｓ ｅｍｐｌｏｙｅｄ ｆｏｒ ｔｈｅ ａｆｏｒｅｍｅｎｔｉｏｎｅｄ ａｓｐｅｃｔｓ， ａｎｄ ｔｈｅ Ｄ－Ｓ ｅｖｉｄｅｎｃｅ
ｔｈｅｏｒｙ， ｃａｐａｂｌｅ ｏｆ ｍａｎａｇｉｎｇ ｍｕｌｔｉｐｌｅ ｕｎｃｅｒｔａｉｎｔｉｅｓ， ｉｓ ｕｔｉｌｉｚｅｄ ｆｏｒ ｅｖｉｄｅｎｃｅ ｆｕｓｉｏｎ． Ｆｉｎａｌｌｙ， ａ ｍｕｌｔｉ － ｌｅｖｅｌ
ｆｅｅｄｂａｃｋ ｃｏｎｔｒｏｌ ｍｅｃｈａｎｉｓｍ ｉｓ ｐｒｏｐｏｓｅｄ ｗｉｔｈｉｎ ｔｈｅ ｒｏｌｌｉｎｇ ｉｎｔｅｌｌｉｇｅｎｔ ｍｏｎｉｔｏｒｉｎｇ ｆｅｅｄｂａｃｋ ｃｏｎｔｒｏｌ ｆｒａｍｅｗｏｒｋ ｔｏ ｐｒｏ⁃
ｖｉｄｅ ｏｎ－ｓｉｔｅ ｆｅｅｄｂａｃｋ ｃｏｎｔｒｏｌ ｆｏｒ ｒｏｌｌｉｎｇ ｏｐｅｒａｔｉｏｎｓ． Ｅｎｇｉｎｅｅｒｉｎｇ ｅｘａｍｐｌｅｓ ｄｅｍｏｎｓｔｒａｔｅ ｔｈａｔ ｃｏｍｐａｒｅｄ ｔｏ ｅｘｉｓｔｉｎｇ ｅ⁃
ｖａｌｕａｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ， ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｅｘｈｉｂｉｔｓ ｈｉｇｈ ｐｒｅｃｉｓｉｏｎ （Ｒ ＝ ０．８３９）， ｓｔｒｏｎｇ ｇｅｎｅｒａｌｉｚａｔｉｏｎ ａｂｉｌｉｔｙ （Ｒ ＝
０．７９３）， ａｎｄ ｒｏｂｕｓｔｎｅｓｓ． Ｔｈｅ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｅｖａｌｕａｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｅｖｉｄｅｎｃｅ ｔｈｅｏｒｙ ｃａｎ ａｃｃｏｕｎｔ ｆｏｒ ｔｈｅ ｕｎ⁃
ｃｅｒｔａｉｎｔｙ ｏｆ ｌｉｍｉｔｅｄ ｒａｎｄｏｍ ｔｅｓｔ ｐｉｔ ｄａｔａ ｗｈｉｌｅ ｒｅｄｕｃｉｎｇ ＣＶ ｓｅｎｓｉｔｉｖｉｔｙ ｔｏ ｎｏｉｓｅ ｂｙ ６９．８％． Ａｄｄｉｔｉｏｎａｌｌｙ， ｔｈｅ ｍｕｌｔｉ－
ｌｅｖｅｌ ｆｅｅｄｂａｃｋ ｃｏｎｔｒｏｌ ｍｅｃｈａｎｉｓｍ ｅｆｆｅｃｔｉｖｅｌｙ ｅｎｓｕｒｅｓ ｏｎ－ｓｉｔｅ ｒｏｌｌｉｎｇ ｑｕａｌｉｔｙ．
Ｋｅｙｗｏｒｄｓ： ｅａｒｔｈ－ｒｏｃｋ ｄａｍ ｃｏｎｓｔｒｕｃｔｉｏｎ； ｒｏｌｌｉｎｇ ｑｕａｌｉｔｙ ｅｖａｌｕａｔｉｏｎ； ｕｎｃｅｒｔａｉｎｔｙ； ＡＣＧＷＯ－ＲＦ ａｌｇｏｒｉｔｈｍ； ｉｍ⁃
ｐｒｏｖｅｄ ｅｖｉｄｅｎｃｅ ｔｈｅｏｒｙ
（责任编辑： 韩 昆）

— １ ２ ９ —