La selección de características (FS) es un paso de preprocesamiento bien conocido en algoritmos de computación suave y aprendizaje automático. Juega un papel crítico en diferentes aplicaciones del mundo real, ya que tiene como objetivo determinar las características relevantes y eliminar otras. Este proceso (es decir, FS) reduce la complejidad temporal y espacial de la técnica de aprendizaje utilizada para manejar los datos recopilados. Los métodos de selección de características basados en técnicas metaheurísticas (MH) han establecido su rendimiento sobre todos los métodos convencionales de FS. Por lo tanto, en este documento, presentamos una versión modificada de nuevas técnicas de MH llamada Búsqueda de Orbitales Atómicos (AOS) como técnica de FS. Esto se realiza utilizando los avances de la estrategia de aprendizaje basada en opuestos dinámicos (DOL) que se utiliza para mejorar la capacidad de AOS para explorar el dominio de búsqueda. Esto se realiza aumentando la diversidad de las soluciones durante el proceso de búsqueda y actualizando el dominio de búsqueda. Se ha utilizado un conjunto de dieciocho conjuntos de datos para evaluar la eficiencia del enfoque de FS desarrollado, llamado AOSD, y los resultados de AOSD se comparan con otros métodos de MH. A partir de los resultados, AOSD puede reducir el número de características al preservar o aumentar la precisión de clasificación mejor que otras técnicas de MH.