La selección de características es una tarea de elegir la mejor combinación de características potenciales que mejor describe el concepto objetivo durante un proceso de clasificación. Sin embargo, seleccionar características relevantes se convierte en un asunto difícil cuando se involucra un gran número de características. Por lo tanto, este estudio tiene como objetivo resolver el problema de la selección de características utilizando optimización por enjambre de partículas binaria (BPSO). No obstante, BPSO tiene limitaciones de convergencia prematura y el ajuste del peso de inercia. Por lo tanto, se propone en este trabajo una nueva optimización por enjambre de partículas binaria co-evolutiva con una estrategia de peso de inercia múltiple (CBPSO-MIWS). El método propuesto se valida con diez conjuntos de datos de referencia del repositorio de aprendizaje automático de UCI. Para examinar la efectividad del método propuesto, se utilizan cuatro métodos de selección de características recientes y populares, a saber, BPSO, algoritmo genético (GA), algoritmo de búsqueda gravitacional binaria (BGSA) y optimizador competitivo de lobos grises binarios (CBGWO) en una comparación de rendimiento. Nuestros resultados muestran que CBPSO-MIWS puede lograr un rendimiento competitivo en la selección de características, lo cual es apropiado para su aplicación en áreas de ingeniería, rehabilitación y clínicas.