分类准确度高度依赖于数据集中特征的性质,该数据集中可能包含无关或冗余的特征。特征选择的主要目的是消除这些类型的特征以提高分类精度。包裹式特征选择模型在特征集上工作,以减少特征数量并同时提高分类精度。在特征选择过程中,搜索特征的(近似)最佳子集是一个具有挑战性的问题。在已经发表的文献中,群体智能算法在解决此问题方面表现出卓越的性能。这激发了我们在该领域测试新提出的海鸥优化算法的性能的尝试。在本文中,提出了八种海鸥优化算法的二进制变体,并用于在包裹式模型下为分类任务选择最佳特征子集。海鸥优化算法是最近提出的算法,尚未系统地应用于特征选择问题。海鸥优化算法可以有效地探索特征空间,以最小化给定的适应度函数来获得最佳或接近最优的特征子集。在本文中,我们使用八个版本的海鸥优化算法的二进制变体来选择最佳的特征组合,该组合可以最大程度地提高分类准确度,同时将所选特征的数量最小化。本文将所提出的二进制算法与七个最新的包裹式特征选择方法进行了比较,并利用许多评估指标来正确评估和比较这些算法在UCI存储库中的12个数据集中的性能。实验结果证实了与其他基于包裹式模型的特征选择算法相比,该方法在提高分类准确率方面的效率,证明了海鸥优化算法具有搜索特征空间并为分类任务选择最具信息量的特征的能力。