La selección de atributos relevantes puede ser vista como uno de los problemas más importantes en el campo del aprendizaje automático. En esta investigación se propone un enfoque que integra funciones de Optimización en Colonias de Hormigas (ACO) y Optimización en Enjambres de Partículas (PSO) para la generación de subconjuntos de rasgos principales que describen los datos y como función de evaluación la medida calidad de la clasificación de la Teoría de los Conjuntos Aproximados (RST). El algoritmo propuesto, nombrado ACO-PSO-RST, está basado en la variante Sistema de Colonias de Hormigas, utiliza PSO para la inicialización del rastro de feromona y RST se utiliza como función heurística por la metaheurística ACO y para determinar si el subconjunto es un reducto. Para verificar la eficiencia del método propuesto se llevaron a cabo experimentos con bases de casos internacionales y se realizaron comparaciones con otros métodos. Además este método se aplicó en el preprocesamiento de los datos para predecir, de forma automatizada, la calidad del agua para el riego. Los resultados demostraron que el enfoque propuesto provee una solución eficiente al problema de selección de rasgos.