多元宇宙优化算法是一种新的群智能优化算法,主要灵感来源于宇宙大爆炸,与现有的其他群智能优化一样,也存在着一定的缺陷,其中最为显著的是收敛速度过慢、极易陷入局部极值等缺陷。近年来,也提出了一些针对缺陷的改进算法,但是这些改进算法只是解决了小部分的问题,并未综合各个缺陷去改进算法,在其他类似的群智能优化算法中也存在着同样的问题。近年来,针对支持向量机进行优化的算法层出不穷,群智能优化算法即是其中一类,利用群智能优化算法可以对支持向量机分类模型进行性能调整,并选取最佳的参数,包括惩罚函数参数C和核函数参数γ。支持向量机模型通过对应的核函数能够把原来线性不可分的数据映射到一个更高维度的空间中,使得原来线性不可分的数据在映射后的空间中实现线性可分,因此核函数参数对分类性能产生了很大的影响;而惩罚函数参数则能够平衡对样本的拟合能力以及对测试后样本的预测能力。由此可见,这两个参数对模型的性能有着显著影响,如何选择最合适的参数提升模型性能是应该考虑的重要问题。综上所述,本文提出了两种改进的多元宇宙优化算法去解决多元宇宙优化算法中的缺陷,并利用改进的算法模型选择最优的特征子集和最合适的参数,来提升分类模型的性能。首先提出的是一种改进的多元宇宙优化算法模型（COUMVO）,利用的是对数增长的WEP、压缩因子以及混沌映射来进一步解决多元宇宙优化算法中的问题;其次提出的是一种基于自适应机制的改进多元宇宙优化算法（BWTMVO）,BWTMVO算法是通过一种基于自适应机制的改进多元宇宙算法去平衡群智能优化算法中的探索和开发两个阶段,以此来对多元宇宙优化模型进行改进,将改进的算法模型与支持向量机进行集成,从而提高分类模型的分类准确率。除此之外,我们利用一种现有的系统结构描述整个COUMVO-SVM分类模型以及BWTMVO-SVM分类模型的执行过程,并在多个标准的UCI数据集上对两个分类模型进行性能评估。文本将提出的COUMVO算法以及BWTMVO算法与标准的MVO算法、其他几种改进的MVO算法以及其他多种群智能优化算法进行了实验的比较和分析。通过最终的实验结果我们可以看出,本文提出的COUMVO算法在大部分数据集上比其他同类型算法在分类模型上表现出更好的性能,并且本文提出的第二种改进算法BWTMVO算法与COUMVO算法以及其他的多种群智能优化算法相比性能提升更为显著。