随着计算机技术的不断进步以及大数据研究和应用的深入,社会各行业朝着无工人化的精细化发展,这种发展趋势需要更加先进的人工智能方法代替过去繁琐和精细的人工劳动。由于待解决问题的限制条件更加复杂,数据维度更高,所以要求大数据处理技术速度更快精度更高。机器学习是当前处理大数据的主要技术,其处理模型的效能很大程度是依托于数据集的特征工程,特征工程主要包括特征提取和特征选择,本工作主要研究后者。面对数据特征维度为N的数据要进行复杂度为O（2N）的特征选择工作,智能算法实现特征选择是一种可行的方案,本工作选择遗传算法实现智能特征选择。遗传算法凭借着自身优势被广泛的运用到很多领域中,但还是存在着过早收敛和面对大量数据时计算速度慢的缺点。处理特征选择问题时遗传算法要依托于数据集才能确定适应值函数,每一次适应值函数的调用是最耗时的,为了提高其收敛速度必须改进遗传算法。为此,我们进行如下研究:1.对于数据量大、维度高的数据集,为了得到精度高的特征子集,本文运用智能算法中的编码方式对特征赋值权重。2.提出一种矩阵结构的遗传算法,该算法针对传统遗传算法在函数优化问题中的不足进行改进。首先,通过逐行寻优构建父代精英种群,其中每行最优个体移动到所在行的主对角线位置;其次,采用父代精英种群中任意两个个体和交叉产生两个子代个体和,并分别置于关于主对角线对称的位置;最后,对种群全体逐一进行试探变异,若变异结果优于原个体则选择变异结果,否则不变。经过上述三步的若干次循环迭代,最终以矩阵中的最优个体为问题的最优解。通过对若干函数优化问题的实验测试表明,该方法收敛速度很快,全局收敛性能显著提高,可以推广到其它演化算法。3.提出基于多核CPU的并行KNN分类器,并行设计目的是加快计算速度,KNN分类器将作为改进遗传算法适应值函数,分类器对大数据的分类精度作为检验特征子集的评估标准。通过设计多种群的矩阵结构遗传算法,提高了收敛的速度。通过利用多核CPU构建并行KNN分类器,改善了因面对数据集较大而适应函数计算慢的缺点,使得遗传算法优化机器学习成为一种可行性方案,对于进一步扩展演化机器学习研究具有指导意义。