Recent improvements achieved using nature-inspired optimizers encouraged the authors to employ a novel type of metaheuristic algorithms, namely crow search algorithm (CSA) in this study. The CSA is employed for optimizing a feed-forward artificial neural network (ANN) in predicting the soil compression coefficient (SCC). The SCC is one of the most crucial geotechnical parameters that the early prediction of it can increase the safety and cost-effectiveness of a project. For more reliability, the used data are collected from a real-world project. After developing the CSA–ANN hybrid, the most proper values for the algorithm parameters, including flock size, flight length, and awareness probability are found by sensitivity analysis (to be 400, 2, and 0.1, respectively). A comparison between the results of the typical ANN and the CSA-trained version revealed that the proposed algorithm can effectively reduce the mean absolute error (MAE) in both learning and predicting the SCC pattern (by 8.25 and 7.29%, respectively). Moreover, the increase of the coefficient of determination (R2) from 70.64 to 74.83% in the training phase, and from 73.74 to 76.19% in the testing phase proves the efficiency of the CSA in enhancing the ANN. The suggested CSA–ANN, therefore, can be an efficient model for the early prediction of the SCC in civil/geotechnical engineering projects.

中文翻译：

---

一种基于乌鸦群社会行为的新搜索方案，用于预测土壤压缩系数的前馈学习改进

最近使用受自然启发的优化器实现的改进鼓励作者在本研究中采用一种新型的元启发式算法，即乌鸦搜索算法 (CSA)。CSA 用于优化前馈人工神经网络 (ANN) 以预测土壤压缩系数 (SCC)。SCC 是最重要的岩土工程参数之一，对其进行早期预测可以提高项目的安全性和成本效益。为了获得更高的可靠性，使用的数据是从实际项目中收集的。在开发了 CSA-ANN 混合体之后，通过敏感性分析找到了算法参数的最合适值，包括鸡群大小、飞行长度和感知概率（分别为 400、2 和 0.1）。典型 ANN 和 CSA 训练版本的结果之间的比较表明，所提出的算法可以有效地降低学习和预测 SCC 模式的平均绝对误差 (MAE)（分别降低 8.25% 和 7.29%）。此外，决定系数（R2）在训练阶段从 70.64% 增加到 74.83%，在测试阶段从 73.74% 增加到 76.19% 证明了 CSA 在增强 ANN 方面的效率。因此，建议的 CSA-ANN 可以成为土木/岩土工程项目中 SCC 早期预测的有效模型。训练阶段的 83% 和测试阶段的 73.74 到 76.19% 证明了 CSA 在增强 ANN 方面的效率。因此，建议的 CSA-ANN 可以成为土木/岩土工程项目中 SCC 早期预测的有效模型。训练阶段的 83% 和测试阶段的 73.74 到 76.19% 证明了 CSA 在增强 ANN 方面的效率。因此，建议的 CSA-ANN 可以成为土木/岩土工程项目中 SCC 早期预测的有效模型。