摘要：为进一步提高岩石爆破块度预测效果,利用多个矿山的岩石爆破统计数据,通过优化极端梯度提升模型(extreme gradient boosting, XGBoost)超参数,建立一种基于随机森林(random forest, RF)特征选择的麻雀搜索算法(sparrow search algorithm, SSA)优化XGBoost爆破块度预测模型。利用麻雀搜索算法对XGBoost模型决策树数量、决策树最大深度、学习率3个核心超参数进行优化以提高运行效率;利用随机森林对输入特征进行筛选,并将优化后的特征集输入预测模型。结果表明:经特征集优化的模型,爆破块度预测效果整体上更加逼近实际值,且预测结果的可决系数(R-squared,R~2)、均方根误差(root mean square error, RMSE)和平均绝对误差(mean absolute error, MAE)分别为0.954、0.026和0.020,相较于BP(back propagation)神经网络、随机森林和XGBoost模型的效果更优,在实际应用中更具适用性,能为爆破参数设计和优化提供借鉴。