特征选择是指从初始特征全集中,依据既定规则筛选出特征子集的过程。通过剔除冗余特征,以达到降低算法复杂度和提高算法性能的目的。特征选择是解决维数灾难问题的有效手段,在机器学习中扮演着重要角色。研究特征选择具有重要的理论及应用价值,特别是对于大数据时代的机器学习。本文在离散值特征选择问题上,提出了两种不同的基于进化算法的特征选择方法。第一种方法用相对分类信息熵作为适应度函数,度量特征子集的重要性,理论证明了这种度量的可行性,用进化算法(遗传算法、粒子群算法)寻找最优特征子集。第二种方法和第一种方法类似,不同的是用不一致率作为适应度函数,度量特征子集的重要性。本文通过比较研究这两种方法,得到了如下结论:(a)当采用相同的适应度函数时,用粒子群搜索最优特征子集与用遗传算法搜索最优特征子集相比,前者在测试精度和收敛速度两方面均优于后者。(b)当采用不同的适应度函数时,选择相对分类信息熵作为适应度函数的进化特征选择方法要优于选择不一致率作为适应度函数的进化特征选择方法。另外,论文还研究了本文提出的算法在连续值情况下的推广。本文提出的算法具有三个特点:(1)简单且易于实现;(2)特征子集表示能力较强;(3)具有好的语义可解释性。