随着计算机技术的高速发展,现实生活和科研领域每时每刻都会产生大量结构复杂、内容多样的高维数据。这些数据中会不可避免地存在不相关特征和冗余特征。因此,在使用先进的信息处理技术分析数据前,需要进行预处理以降低原始数据的维度。作为一种有效的降维策略,特征选择受到学者们的广泛关注。通过保留相关特征,删除冗余和不相关的特征,特征选择可以降低数据维度、提高模型的泛化性能并解决维度灾难的问题。另一方面,群智能优化算法在求解优化问题时表现出良好的性能,并取得了丰硕的研究成果。特征选择也可以被视为组合优化问题。因此,使用群智能优化算法解决特征选择问题也逐渐成为一种常见的方法。论文的主要工作集中在群智能优化算法的改进及其在特征选择中的应用。本文的研究工作及创新点如下:传统鲸鱼优化算法在迭代初期无法有效平衡探索和开发的关系,求解过程中可能陷入局部最优,因此本文提出了一个混合鲸鱼优化算法。使用正余弦位置更新策略替代原有的收缩环绕机制,并加入非线性的参数调整方案,以实现探索和开发两阶段间的更好平衡。为提高算法的多样性和全局搜索能力,将结合粒子群算法相关概念的改进灰狼算法加入寻优过程。最后与5NN分类器结合,构造出一个基于混合鲸鱼优化算法的特征选择模型。针对原始灰狼算法不能突出狼群的社会等级和领头狼的领导能力的问题,提出了一个混合灰狼优化算法。使用混沌初始化方法生成分布均匀且质量更优的初始解。引入基于适应度的自适应决策权重,以更直观地区分三只优势狼在指导狩猎行为时的差异。此外,使用樽海鞘群算法的领导者策略来更新Alpha狼的位置,以突出其领导地位。在迭代过程中引入基于正弦函数的控制参数更新策略以更好地平衡探索和开发的关系并增强算法的寻优能力。实验验证了改进算法的有效性。针对乌鸦搜索算法存在盲目搜索的问题,并且在处理复杂的优化问题时面临着陷入局部最优的风险,提出了一个改进乌鸦搜索算法。首先使用量子位编码和量子位观测操作初始化种群以提高种群质量。之后引入“领导者”的概念指导寻优以减少盲目搜索,种群中的“领导者”则通过樽海鞘群算法的位置调整策略进行更新。为增强种群的多样性,在位置更新公式中加入混沌映射。此外,使用非线性更新方式在迭代过程中对感知概率AP进行动态调整以更有效地平衡探索和开发的关系。最后结合5NN分类器构造一个封装式特征选择算法。实验结果表明,所提出的算法在解决特征选择问题时体现出良好的性能。