La selección de características (FS) es una etapa de preprocesamiento importante que tiene como objetivo mejorar el rendimiento de los modelos de Aprendizaje Automático (ML) eligiendo características relevantes, al tiempo que se reduce el costo computacional. Se presentan varios enfoques para seleccionar el Subconjunto de Características Óptimas (OFS) en un conjunto de datos dado. En este documento, presentamos un enfoque basado en FS llamado Algoritmo de Búsqueda de Reptiles-Optimizador de Serpientes (RSA-SO) que emplea tanto métodos RSA como SO en un mecanismo paralelo para determinar OFS. Este mecanismo disminuye la probabilidad de que los dos métodos se queden atascados en óptimos locales y potencia la capacidad de ambos para equilibrar la exploración y la explicación. Se realizan numerosos experimentos en diez conjuntos de datos tomados del repositorio UCI y dos problemas de ingeniería del mundo real para evaluar RSA-SO. Los resultados obtenidos de RSA-SO también se comparan con siete métodos Meta-Heurísticos (MH) populares para FS para demostrar su superioridad. Los resultados muestran que el enfoque desarrollado RSA-SO tiene un rendimiento comparativo con los métodos MH probados y puede proporcionar soluciones prácticas y precisas para problemas de optimización de ingeniería.