La resistencia a compresión uniaxial (UCS) de las rocas es uno de los parámetros clave para evaluar la seguridad y estabilidad de las estructuras civiles y mineras. En este estudio, se utilizan 386 muestras de roca que contienen cuatro propiedades llamadas resistencia a la carga (PLS), porosidad (P), velocidad de onda P (V) y número de rebote de dureza de Schmidt (SHR) para predecir la UCS utilizando varias ecuaciones empíricas típicas (EA) y métodos de inteligencia artificial (IA), es decir, 16 ecuaciones de regresión simple (SR), 2 ecuaciones de regresión múltiple (MR) y los modelos de bosque aleatorio (RF) optimizados por optimización de lobo gris (GWO), optimización de llama de polilla (MFO), optimización de enjambre de leones (LSO) y algoritmo de búsqueda de gorriones (SSA). El error cuadrático medio (RMSE), el coeficiente de determinación (R), el índice de Willmott (WI) y la varianza explicada (VAF) se utilizan para evaluar el rendimiento predictivo de todos los modelos desarrollados. Los resultados de la evaluación muestran que el rendimiento general de los modelos de IA es superior a los enfoques empíricos, especialmente el modelo LSO-RF. Además, la variable de entrada más importante es la P para predecir la UCS. Por lo tanto, se consideran que las técnicas de IA son enfoques más eficientes y precisos para reemplazar las ecuaciones empíricas para predecir la UCS de estas muestras de roca recolectadas, lo que proporciona una idea confiable y efectiva para predecir la UCS de la roca en el sitio de campo.