特征选择是一种用来降低数据集维度的技术,其核心是从输入的特征集合中选择出最具有预测性的特征子集来代表原始数据集合。特征选择不仅可以简化特征内在的关系还可以改善整体集合的预测能力。目前,许多学者针对模糊粗糙集的特征选择进行了大量的研究,其中比较常见的有,遗传算法、蚁群算法(ACO)、粒子群算法(PSO)等。这些算法在鲁棒性和求解能力等方面均表现优秀,并且它们的共同特点是只有最优秀的个体才能有机会被提取出来。然而,某些初始依赖度值低的个体有可能带有重要信息,因此上述这些算法可能会导致重要信息丢失。针对以上问题,本文研究了野草算法的特点并且发现其特点能使模糊粗糙特征选择更加全面。野草算法认为初始依赖度值低的个体有可能带有重要信息,因而赋予初始依赖度值低的个体一定的存活机会。该算法早期能够维持特征种群多样性而在后期能够保证最优解的选择优势。因此,本文首先将野草算法的特点和模糊粗糙集理论相结合,继而提出了基于优化野草算法的加权模糊粗糙特征选择算法并对其进行编程实现。其次,利用基于模糊粗糙集的快速属性约简算法来验证特征选择结果。最后,将算法模型应用于十四类基准数据集和四类具有现实背景意义的乳腺造影数据集进行特征选择,并且将本文算法的特征选择结果与其他两个算法(蚁群算法和粒子群算法)的特征选择结果分别从分类精度和AUC值两个方面做出对比分析。数据分析结果表明,基于本文算法得到的大部分特征选择结果可以很好地代表原始数据集并且整体性能优于蚁群算法和粒子群算法。同时,这也证明了本文算法具有现实研究意义。