随着数据采集技术的不断进步,在不同领域生成了海量的数据。通过分析这些数据,可以了解不同领域的内在规律,进而推动领域进步。然而,数据维数的高速膨胀带来了大量的无效数据。在此背景下,特征选择受到了国内外学者越来越多的关注。因为它可以有效消除无用数据,从给定的数据集合中提取出信息量最大的特征子集,实现提高机器学习模型分类精度和降低模型复杂度等多个目标。特征选择方法可以分为基于过滤器的方法和基于包装器的方法。基于过滤器的方法利用不同学科领域的知识作为度量特征子集的标准,而与特定的分类器无关。与之相反,基于包装器的方法的评估过程中依赖分类/学习算法。分类器的引入使得基于包装器的方法可以更有效地分析特征子集的优劣,从而在特征选择问题上得到具有更高分类准确率的特征子集。因此,基于包装器的方法成为了特征选择领域的主要研究方向。本文通过对特征选择领域的研究现状进行分析,围绕基于群智能算法的包装器特征选择方法,提出了一种改进的灰狼优化算法（IBGWO）来解决特征选择问题。主要研究内容如下:首先,本文针对特征选择问题的特性,分析了灰狼优化算法用于解决特征选择问题存在的不足之处。在此基础上,所提出的IBGWO算法针对随机初始化方法存在的盲目性,提出了三种基于OBL的初始化策略来使个体从更接近最优解的位置开始搜索。此外,引入基于莱维飞行的局部搜索策略来优化当前最优解的位置,使个体搜索解空间的行为受到更好的引导。其次,IBGWO提出了一种新的更新机制来优化种群中具有较差适应度的个体,该机制通过二阶段的交叉和变异操作来取代原更新机制,使算法在探索能力和开发能力之间建立了一种可行的平衡。IBGWO的性能在24个公开UCI数据集上进行了仿真实验,结果表明,该方法在17个数据集上优于其他5种对比算法。此外,实验结果还表明三种基于反向学习的初始化策略相比随机策略更加适合用于初始化解。最后,总结了本文工作,分析了所提出算法的不足之处,并就未来研究方向进行了展望。