سیستم‏های توصیه‏گر سیستم‏هایی هستند که سعی دارند بر اساس عملکرد، سلیقه‏های شخصی، رفتارهای کاربر و بسته به زمینه‏ای که در آن مورد استفاده قرار گرفته‏اند، به هر کاربر پیشنهادهایی را ارائه دهند که با تمایلات شخصی وی تطابق داشته و وی را در فرایند تصمیم‏گیری یاری نمایند. با رشد روز افزون تجارت در دنیای وب، آموزش الکترونیکی، افزایش ارتباط و اشتراک کاربران با یکدیگر و پیدایش شبکه‏های اجتماعی، لزوم طراحی و پیاده‏سازی چنین سیستم‏هایی غیر قابل انکار است. به این منظور الگوریتم‏های متعددی مورد استفاده قرار گرفته‏اند که اکثریت آنها بر پایه دو الگوریتم مبتنی بر پالایش مشارکتی و پالایش مبتنی بر محتوا هستند. هدف این پایان‏نامه، طراحی سیستم توصیه‏گری است که با استفاده از الگوریتم‏های داده کاوی، از جمله خوشه‏بندی و الگوریتم‏های تکاملی و بر اساس الگوریتم‏های پالایشی پایه ذکر شده، دقت، سرعت و کیفیت اینگونه سیستم‏ها را بهبود بخشد. روند کلی به این صورت است که ابتدا داده‏های استانداردی که در کارهای پیشین نیز مورد استفاده بوده‏اند، پردازش شده و اطلاعات مفید و فیلدهای معتبر آنها استخراج می‏شوند. حال با استفاده از الگوریتم‏های ذکر شده و نظرات افراد خبره برای کاربران و آیتم‏ها، علایق و تشابهات را یافته و پیشنهادات را بر اساس میزان نزدیکی آنها به علایق کاربر ارائه می‏دهیم. سپس بازخورد کاربر در مورد پیشنهادات ارائه شده، دریافت می‏شود که بر مبنای آن می‏توان رفتار سیستم را ارزیابی کرد. در این پایان‏نامه از الگوریتم تکاملی گربه به دو منظور استفاده شده است. در روش اول، از این الگوریتم جهت پیدا کردن مجموعه‏ای از کاربران با بیشترین شباهت به یکدیگر، از بین تمامی کاربران استفاده می‏شود. در روش دوم، از الگوریتم گربه‏ها برای خوشه‏بندی کاربران بر اساس شباهت آنها به یکدیگر استفاده شده است تا از خروجی آن در فازهای بعدی الگوریتم، برای یافتن کاربران مشابه و ارائه پیشنهادات بکار گرفته شود. مشاهدات ما از نتایج بدست آمده به کمک روش اول، نشان دهنده افزایش دقت و در روش دوم، افزایش سرعت در این سیستم‏ها است.