Determinar las características más relevantes es un paso crítico de preprocesamiento en varios campos para mejorar la predicción. Para abordar este problema, se han propuesto un conjunto de técnicas de selección de características (FS); sin embargo, aún tienen ciertas limitaciones. Por ejemplo, pueden centrarse en puntos cercanos, lo que disminuye la precisión de clasificación porque las características elegidas pueden incluir características ruidosas. Para aprovechar los beneficios de la técnica de optimización basada en la física cuántica y el mapa Hénon caótico 2D, proporcionamos una versión modificada del algoritmo de la comadreja melosa (HBA) llamado QCHBA. La capacidad de tales estrategias para encontrar un equilibrio entre la explotación y la exploración al identificar el subconjunto viable de características pertinentes es la base para emplearlos para mejorar HBA. La efectividad de QCHBA fue evaluada en una serie de experimentos realizados utilizando dieciocho conjuntos de datos que involucran comparaciones con técnicas de FS reconocidas. Los resultados indican una alta eficiencia de QCHBA entre los conjuntos de datos utilizando varios criterios de rendimiento.