随着社会的发展和科技的进步,数据量呈现出爆炸式的增长,通常在机器学习领域中,学习算法的性能会随着数据集特征过多而下降。近些年来,特征选择作为解决这个问题的有效手段,得到了广泛的关注,诸多的学者也相继开发、改进了许多特征选择的方法,取得了可观的成效。在这些有效的算法中,粒子群优化算法具有参数少、操作简单、局部搜索能力强等优点,使得粒子群优化算法解决特征选择问题变为当前研究的重点。本文通过进一步的分析粒子群优化算法和特征选择问题,并结合社团检测,利用社团检测算法深度挖掘特征之间隐藏的信息去指导种群进化。主要工作包括以下两方面:(1)针对粒子群优化算法在解决特征选择问题中,容易陷入局部最优,难以找到高质量特征子集的问题。提出了一种基于社团的粒子群优化特征选择算法CBPSOFS。算法的大致思想如下:首先,将特征转化为特征图,并结合社团检测的算法将特征划分为不同的特征社团,根据同一特征社团包含相似信息设计了基于社团的自适应更新策略,来保持种群的多样性,同时平衡了局部搜索和全局搜索,有效的克服了过早陷入局部最优的现象;此外设计了基于信息增益的初始化策略和基于历史信息的重置策略,进一步提高了算法的性能。通过真实数据集与现有的四种特征选择方法的比较,验证了所提出的算法CBPSOFS的有效性。(2)针对高维数据集中含有大量的冗余、不相关的特征,导致特征选择算法性能低下等问题,提出了一种针对高维数据集的特征选择算法KBPSOFS。该方法结合社团检测算法提出了核心粒子的概念,当种群的全局最优值Gbest连续几次不变的情况下,利用核心粒子代替Gbest指导种群进化,增强算法的搜索能力;此外,当整个种群Pbest未改变时,利用当前种群非支配解提出了一个种群变换策略,目的是重置种群,去除不相关及冗余的特征,随着种群的变化算法的计算复杂度也有明显的降低。通过在真实数据集上面的实验,说明了算法KBPSOFS可以有效性的降低特征数量和提高分类精度。