Con el rápido avance de la tecnología de inteligencia artificial (IA), la demanda de grandes cantidades de datos para entrenar algoritmos de IA y lograr inteligencia se ha vuelto indispensable. Sin embargo, en el ámbito de la tecnología de big data, las altas dimensiones de las características de los datos a menudo generan problemas de sobreajuste durante el entrenamiento, lo que disminuye la precisión del modelo. Para mejorar la precisión de la predicción del modelo, han surgido métodos de selección de características (FS) con el objetivo de eliminar características redundantes dentro de los conjuntos de datos. En este documento, se propone un método de FS altamente eficiente con un rendimiento avanzado de FS, llamado EMEPO. Combina tres estrategias de aprendizaje sobre la base del Optimizador de Loro (PO) para garantizar mejor el rendimiento de FS. En primer lugar, se introduce una nueva estrategia de explotación que integra aleatoriedad, optimalidad y vuelo de Levy para mejorar las capacidades de explotación local del algoritmo, reducir el tiempo de ejecución en la resolución de problemas de FS y mejorar la precisión de la clasificación. En segundo lugar, se introduce una estrategia evolutiva de múltiples poblaciones que tiene en cuenta la diversidad de individuos basada en los valores de aptitud para optimizar el equilibrio entre las etapas de exploración y explotación del algoritmo, mejorando en última instancia la capacidad del algoritmo para explorar globalmente el espacio de soluciones de FS. Finalmente, se introduce una estrategia de exploración única que se centra en el aprendizaje de la diversidad individual para aumentar la diversidad de la población en la resolución de problemas de FS. Este enfoque mejora la capacidad del algoritmo para evitar subconjuntos de características subóptimas locales. El método de FS basado en EMEPO se prueba en 23 conjuntos de datos de FS que abarcan datos de baja, mediana y alta dimensionalidad. Los resultados muestran un rendimiento excepcional en precisión de clasificación, reducción de características, eficiencia de ejecución, velocidad de convergencia y estabilidad. Esto indica la gran promesa del método de FS basado en EMEPO como un enfoque efectivo y eficiente para la selección de características.