El optimizador basado en montón (HBO) es una metaheurística innovadora inspirada en el comportamiento social humano. En esta investigación, se presentan adaptaciones binarias del optimizador basado en montón y se utilizan para determinar las características óptimas para clasificaciones en forma de envoltura. Además, HBO equilibra la exploración y la explotación mediante la utilización de parámetros autoadaptativos que pueden buscar de manera adaptativa en el dominio de soluciones la solución óptima. En el dominio de selección de características, los algoritmos presentados para el optimizador basado en montón binario se utilizan para encontrar subconjuntos de características que maximicen el rendimiento de clasificación mientras se reduce el número de características seleccionadas. El clasificador de vecinos más cercanos (k-NN) asegura que las características seleccionadas sean significativas. Los nuevos métodos binarios se comparan con ocho métodos de optimización comunes empleados recientemente en este campo, incluidos Optimización de Hormigas León (ALO), Algoritmo de Optimización de Arquímedes (AOA), Algoritmo de Búsqueda con Retroceso (BSA), Algoritmo de Búsqueda de Cuervos (CSA), Distribución de Vuelo de Levy (LFD), Optimización por Enjambre de Partículas (PSO), Algoritmo del Moho de la Babosa (SMA) y Algoritmo de Semillas de Árbol (TSA) en términos de aptitud, precisión, sensibilidad, puntuación F, número de características seleccionadas y pruebas estadísticas. Se evaluaron y compararon veinte conjuntos de datos del repositorio UCI utilizando un conjunto de indicadores de evaluación. Se utilizó la prueba de rango de suma de Wilcoxon no paramétrica para determinar si los resultados de los algoritmos propuestos variaban de manera estadísticamente significativa con respecto a los de los otros métodos comparados. El análisis de comparación demuestra que es superior o equivalente a los otros algoritmos utilizados en la literatura.