Die Kalibrierung eines mehrparametrigen konstitutiven Modells ist der Schlüssel und eine Herausforderung für die genaue Beschreibung komplexer Spannungs-Dehnungs-Beziehungen von Gestein und Boden. Zur Bewältigung des Problems der zahlreichen Parameter und der Schwierigkeit der Kalibrierung komplexer konstitutiver Modelle verbessert diese Studie den Mistkäfer-Optimierungsalgorithmus durch Integration eines dynamischen Bereichsregelungsmechanismus, einer T-Verteilungsvariationsstrategie, einer globalen Suche mittels Levy-Flug und eines Multistrategie-Populationsaktualisierungsmechanismus. Durch die Optimierung typischer Standardfunktionen und den Vergleich der Optimierungsergebnisse mit dem Mistkäfer-Optimierungsalgorithmus (DBO), Grauwolf-Optimierungsalgorithmus (GWO), Sperlingssuchalgorithmus (SSA), Wal-Optimierungsalgorithmus (WOA) und Nordadler-Optimierungsalgorithmus (NGO) wurde bestätigt, dass der verbesserte Mistkäfer-Algorithmus sowohl die globale Optimierungsfähigkeit als auch die Parameterkalibrierungseffizienz deutlich verbessert. Basierend auf einem dreidimensionalen Multimechanismus-Grenzflächenmodell wurde ein bidirektionaler Datenaustauschmechanismus zwischen Algorithmus und konstitutivem Modell programmiert, und die Parameterkalibrierung erfolgte unter Verwendung von Triaxial-Bodentestdaten. Der Vergleich der Kalibrierungsergebnisse des verbesserten und traditionellen Mistkäfer-Algorithmus zeigt, dass der optimale Fitnesswert signifikant gesunken ist, und die durchschnittliche ineffektive Laufquote von 8,75 % auf 4,17 % gesenkt wurde, wodurch das Problem der vorzeitigen Konvergenz effektiv überwunden wurde. Die nach der Kalibrierung erhaltenen Spannungs-Dehnungs-Kurven stimmen an den Schlüsselstellen wie Spitzen-Abweichungsspannung, Restspannung und dem allgemeinen Trend gut mit den Versuchsdaten überein und bieten methodische Unterstützung für die Mehrparameter-Kalibrierung komplexer konstitutiver Modelle.