在集成学习中，Boosting是一种通过组合多个弱分类器来提高模型准确性的技术。常见的Boosting算法包括：

- **Adaboost**：一种迭代算法，它根据上一次迭代的错误率来调整训练样本的权重。
- **GBDT（Gradient Boosting Decision Tree）**：利用梯度下降的方法来最小化损失函数，具有很强的预测能力和灵活性。
- **XGBOOST**：即Extreme Gradient Boosting，是GBDT的一个改进版本，以其高效的计算能力和良好的预测性能而闻名。

**随机森林**（Random Forest）是Bagging的一种方法，不是Boosting的代表算法。Bagging与Boosting的主要区别在于Bagging是为了减少方差，通常使用并行的方法，而Boosting则是为了减少偏差，使用串行的方法。

因此，在给出的选项中，**随机森林**（D）不是基于Boosting的集成学习算法的代表算法。

### 专业分析总结：

| 选项 | 描述 | 是否属于Boosting |
|------------|----------------------------------------|------------------|
| Adaboost | 基于Boosting的经典算法 | 是 |
| GBDT | 使用梯度提升的Boosting算法 | 是 |
| XGBOOST | GBDT的改进版本，属于Boosting算法 | 是 |
| 随机森林 | 基于Bagging的方法，不属于Boosting算法 | 否 |

正确答案是：**D: 随机森林**。