En la última década, se ha estudiado extensamente la reducción de dimensionalidad basada en la incrustación de grafos para datos de múltiples vistas. Sin embargo, construir un grafo de alta calidad para la reducción de dimensionalidad sigue siendo un desafío significativo. Aquí proponemos un nuevo algoritmo, llamado optimización de grafo de baja dimensionalidad para reducción de dimensionalidad de múltiples vistas (MvLRGO), que integra la optimización de grafo con la reducción de dimensionalidad en una función objetivo para determinar simultáneamente el subespacio y el grafo óptimos. El aprendizaje del subespacio de cada vista se realiza de forma independiente mediante el marco general de incrustación de grafos. Para la construcción del grafo, explotamos la representación de rango bajo (LRR) para obtener relaciones de reconstrucción como el peso de afinidad del grafo. Posteriormente, el grafo aprendido de cada vista se optimiza aún más a lo largo del proceso de aprendizaje para obtener la asignación ideal de relaciones. Además, para integrar información de múltiples vistas, MvLRGO regulariza cada uno de los grafos óptimos específicos de vista para que se alineen entre sí. Beneficiándose de este término, MvLRGO puede lograr una comunicación flexible de múltiples vistas sin restringir que los subespacios de todas las vistas sean iguales. Varios resultados experimentales obtenidos con diferentes conjuntos de datos muestran que el método propuesto supera a muchos algoritmos de reducción de dimensionalidad de múltiples vistas y de una sola vista de última generación.