El rápido crecimiento de los conjuntos de datos biomédicos ha generado características de alta dimensionalidad que impactan negativamente en los clasificadores de aprendizaje automático. En el aprendizaje automático, la selección de características (FS) es un proceso esencial para seleccionar las características más significativas y reducir las características redundantes e irrelevantes. En este estudio, se utiliza un algoritmo de optimización de equilibrio (EOA) para minimizar las características seleccionadas de conjuntos de datos médicos de alta dimensionalidad. EOA es un novedoso algoritmo metaheurístico basado en física y recientemente propuesto para abordar problemas unimodales, multimodales y de ingeniería. EOA se considera como uno de los algoritmos de optimización basados en poblaciones más potentes, rápidos y con mejor rendimiento. Sin embargo, EOA sufre de óptimos locales y de diversidad de población al tratar con características de alta dimensionalidad, como en conjuntos de datos biomédicos. Para superar estas limitaciones y adaptar EOA para resolver problemas de selección de características, se propone un novedoso optimizador metaheurístico, denominado algoritmo de optimización de equilibrio mejorado (IEOA). Se incluyen dos mejoras principales en el IEOA: La primera mejora es aplicar el aprendizaje basado en élites opuestas (EOBL) para mejorar la diversidad de la población. La segunda mejora es integrar tres nuevas estrategias de búsqueda local para evitar que se quede atrapado en óptimos locales. Las estrategias de búsqueda local aplicadas para mejorar las capacidades de búsqueda local dependen de tres enfoques: búsqueda de mutación, búsqueda de vecindario de mutación y una estrategia de respaldo. El IEOA ha mejorado la diversidad de la población, la precisión de clasificación y las características seleccionadas, y ha aumentado la velocidad de convergencia. Para evaluar el rendimiento del IEOA, realizamos experimentos en 21 conjuntos de datos biomédicos de referencia recopilados del repositorio UCI. Se utilizaron cuatro métricas estándar para probar y evaluar el rendimiento del IEOA: el número de características seleccionadas, la precisión de clasificación, el valor de aptitud y la prueba estadística de valor p. Además, el IEOA propuesto se comparó con el EOA original y otros algoritmos de optimización conocidos. Según los resultados experimentales, el IEOA confirmó su mejor rendimiento en comparación con el EOA original y los otros algoritmos de optimización, para la mayoría de los conjuntos de datos utilizados.