انتخاب ویژگی یکی از مسائل مورد توجه در چند دهه اخیر بوده است. با پیدایش پایگاه-داده های با تعداد ابعاد بالا و درکنار آن نیاز به روش های یادگیری مناسب مشکلات جدیدی پا به عرصه گذاشته اند که باعث به وجود آمدن راه کارهایی برای انتخاب ویژگی های موثر شده -اند. انتخاب ویژگی، مساله یافتن ویژگی های موثر از میان ویژگی های موجود است، به طوری-که مجموعه ی حاصل باعث افزایش دقت وکاهش پیچیدگی گردد. برای تشخیص این که کدام زیر مجموعه موثرتر است، یک راه حل بررسی تمامی زیر مجموعه های ممکن است که بررسی همه زیرمجموعه ها جزء مسایل سخت و دارای پیچیدگی محاسباتی بالا است. این مشکل باعث شده است تمایل محققان به حل این مسائل از طریق الگوریتم های ابتکاری جلب شود. رویکرد ابرابتکاری یک رویکرد جدید جستجو است که می تواند فضای جستجو را با به-کاربستن جستجوگرهای محلی متعدد به طور کارآمد جستجوکند و در هر زمان جستجوگر محلی مناسبی را انتخاب کندکه این انتخاب به عهده یک ناظر است. دراین پایان نامه از رویکرد ابرابتکاری جهت پیدا کردن ویژگی های موثر برای دسته بندی استفاده شده است. در الگوریتم پیشنهادی، الگوریتم ژنتیک به عنوان یک ناظر به کار گرفته شده و 16 الگوریتم ابتکاری به منظور جستجوی محلی تعریف شده است. نتایج حاصل از اعمال الگوریتم پیشنهادی بر روی پایگاه داده های گرفته شده از uci نشان دهنده کارآمد بودن الگوریتم پیشنهادی در مقایسه با روش های ابتکاری مطرح موجود برای انتخاب ویژگی است.

در این پایان نامه روشی برای آشکارسازی لبه، مبتنی بر الگوریتم جستجوی گرانشی ارائه شده است. به منظور سازگار شدن الگوریتم جستجوی گرانشی با مسئله ی لبه یابی، تغییراتی در الگوریتم ایجاد شده است. فضای مسئله به صورت ناپیوسته در نظر گرفته شده است. برای یافتن پیکسل های لبه در تصویر تعدادی از عوامل در تصویر جستجو می کنند. هر پیکسل تصویر یک جسم ثابت با جرمی برابر شدت روشنایی آن در نظر گرفته می شود. گرایش اجسام جستجوگر به سمت مکان هایی در تصویر با اختلاف زیاد در شدت روشنایی با پیکسل های همسایه است، این امر موجب می شود که اجسام جستجوگر بیشتری جذب مکان هایی که احتمال لبه بودن آنها بالا است، شوند. مقادیر مناسب برای پارامترهای مسئله با انجام تعداد زیادی آزمایش بر روی تصاویر گوناگون به دست آمده است. با توجه به تعداد پارامترهای کم، همچنین عملکرد مناسب الگوریتم، کارایی این لبه یاب تأیید می شود. همچنین یک معیار عددی برای مقایسه ی روش پیشنهادی با دیگر روش ها استفاده شده است و نتایج به دست آمده دقت خوب این لبه یاب را نشان می دهد.