随着人类社会的不断进步,生命健康逐渐成为了人类生存发展的重要需求。而各种类型的疾病是影响人类生命健康的首要因素。随着基因组测序技术的日渐完善,大量有价值数据被积累下来。对这些数据的有效挖掘与分析,可有效推动临床诊断工作的进一步发展。基因表达数据通常拥有少量的数据样本,但却包含着大量的冗余信息。面对如此大规模数据,不仅医疗人员很难在短时间内对数据进行有效分析,即使通过数据分析算法对数据进行处理,过多冗余信息也容易导致算法产生过度拟合,从而误导医疗人员的诊断。特征选择方法作为数据预处理的有效方法,被广泛应用到医学数据的处理工作当中。作为一种高效的数据降维技术,特征选择在医学领域获得了广泛关注,已被成功的应用到疾病数据诊断工作当中。其中,基于Wrapper的特征选择方法因为具有更高的分类精度和灵活性成为了研究的热点内容。该方法的性能主要受到搜索算法的影响,不同的搜索算法对结果的影响也有所不同。蜻蜓算法作为一种新兴的搜索算法,已经被广泛应用到参数优化、全局寻优等问题当中。本文对蜻蜓算法的特征选择策略进行了改进,并将其应用到帕金森、肺癌、白血病等疾病数据的预测诊断工作当中,主要研究成果如下:(1)提出了一种基于改进蜻蜓算法的帕金森疾病特征选择策略。针对目前已经累积的帕金森疾病的相关数据,本文提出了一种基于改进蜻蜓算法(Improve Binary Dragonfly Algorithm,IBDA)的特征选择策略。通过该方法对帕金森数据的特征进行分析和筛选,有助于对潜在帕金森病人的快速诊断和治疗。该方法首先利用DE算法对Logical回归序列产生的初始种群进行更新,选取最佳个体作为BDA更新的初始种群,通过BDA算法的平行、聚合、分离、觅食和避敌五种行为来进一步求解。此外,在迭代过程中采取精英策略来保持种群的优良性,利用Levy飞行避免求解陷入局部最优。实验数据来自UCI上公开的帕金森数据集,并从多个指标比较了IBDA、WOA、BALO和GA等其他特征选择算法的性能,实验结果表明提出的IBDA算法在帕金森疾病特征选择上具有更好的性能。(2)提出了一种基于优化蜻蜓算法的高维疾病数据特征选择策略。高维疾病数据的冗余问题一直是医疗诊断工作中亟待解决的重要问题之一,但通过特征选择技术可有效处理该问题。本文主要针对白血病、肺癌等高危疾病进行特征选择操作,通过选取有效的疾病特征来帮助医疗人员进行早期的诊断工作。该方法主要在蜻蜓算法的基础上加入精英策略保证最优解传递的同时,又加入了模拟退火算法,有效提高了算法的收敛速度和预测精度,增强了算法的搜索性能。本次实验将该方法与一些经典的方法,如信息增益、卡方检测、Relief、GA算法和MPSO算法分别进行了大量的比较实验,实验结果表明,该方法在高维数据处理工作中具有一定的参考意义。