选择性集成学习可以使用较少数目的 基分类器,提高集成分类能力.基分类器间的差异性和平均精度是影响集成性能的两个重要指标.当集成系统中基分类器间差异性较大时,则其平均精度较小;当基分类器的平均精度较大时,则其差异性较小.故二者之间的平衡状态可使集成性能达到最优.为了寻找该平衡状态,提出一种基于反向二元萤火虫算法和差异性测度的选择性集成方法(RBGSODSEN).首先,采用Bootstrap抽样方法独立训练出多个基极限学习机(extreme learning machine,ELM),构建原始基ELM池;其次,采用差异性测度对原始基ELM池进行预选择,选择部分差异性和预测精度均较优的基ELM,剔除综合性能较差的基ELM,降低选择性集成的计算复杂度;接着,改进萤火虫的位置更新方式,引入反向搜索、协同进化和随机变异机制,提出一种反向二元萤火虫算法(RBGSO);最后,采用RBGSO对预选择后剩下的基ELM进行二次选择,选择出集成性能最优的基ELM子集成.在25个标准数据集上的实验结果表明,与其他选择性集成方法相比较,RBGSODSEN选择了较少规模的基ELM,取得了更优的预测性能,具有较好的稳定性、有效性和显著性.