Evolutionary polynomial regression (EPR) is extensively used in engineering for soil properties modeling. This grey-box technique uses evolutionary computing to produce simple, transparent and well-structured models in the form of polynomial equations that best explain the observed data. A key task is then to determine mathematical structures for modeling physical phenomena and to select the optimal EPR model. This requires an algorithm to search through the model structure space and successfully produce feasible solutions that honor a set of statistical metrics. The complexity of EPR models increases greatly, however, with the number of polynomial terms used to tune these models. In this paper, we propose an alternative EPR for modeling complex soil properties. We implement a dual search-based EPR with self-adaptive offspring creation as model structure search strategy and couple a compromise programming tool to select a model that is preferred statistically relative to models with different polynomial terms. We illustrate our method using real-world data to improve predictions of optimal moisture content and creep index for soils. Our results demonstrate that the models derived using the proposed methodology can predict soil properties with adequate accuracy, physical meaning and lower number of parameters and input variables.

进化多项式回归（EPR）在工程中广泛用于土壤特性建模。这种灰盒技术使用进化计算以多项式方程式的形式生成简单，透明且结构良好的模型，可以最好地解释所观察到的数据。然后，关键任务是确定用于对物理现象进行建模的数学结构，并选择最佳的EPR模型。这就需要一种算法来搜索模型结构空间，并成功产生符合一组统计指标的可行解决方案。然而，随着用于调整这些模型的多项式项的数量，EPR模型的复杂性大大增加。在本文中，我们提出了用于模拟复杂土壤特性的另一种EPR。我们采用自适应后代创建基于模型的双重搜索为基础的EPR作为模型结构搜索策略，并使用折衷编程工具来选择相对于具有不同多项式项的模型在统计上更可取的模型。我们使用现实世界的数据来说明我们的方法，以改进对土壤的最佳水分含量和蠕变指数的预测。我们的结果表明，使用所提出的方法得出的模型可以以足够的精度，物理意义以及较少数量的参数和输入变量来预测土壤性质。我们使用现实世界的数据来说明我们的方法，以改进对土壤的最佳水分含量和蠕变指数的预测。我们的结果表明，使用所提出的方法得出的模型可以以足够的精度，物理意义以及较少数量的参数和输入变量来预测土壤性质。我们使用现实世界的数据来说明我们的方法，以改进对土壤的最佳水分含量和蠕变指数的预测。我们的结果表明，使用所提出的方法得出的模型可以以足够的精度，物理意义以及较少数量的参数和输入变量来预测土壤性质。