انتخاب مناسب¬ترین توصیف¬کننده¬ها در مطالعات qsar از اهمیت ویژه¬ای برخوردار است. این کار معمولاً توسط روش¬های انتخاب ویژگی صورت می¬پذیرد. هدف استفاده از این روش¬ها، انتخاب مجموعه¬ای از توصیف کننده¬هاست که بهترین مدل را جهت پیش¬بینی متغیر وابسته ارائه دهند. روش¬های انتخاب ویژگی بویژه زمانی که تعداد ویژگی¬ها زیاد باشند حائز اهمیت هستند. لذا در مطالعاتqsar که تعداد توصیف کننده¬ها زیاد است، استفاده از این روش¬ها غیر قابل اجتناب می¬باشد. از میان روش¬های انتخاب ویژگی، روش¬های جستجوی ابتکاری که از نسخه دودویی الگوریتم¬های جستجوی ابتکاری استفاده می¬کنند، بیشتر مورد توجه هستند زیرا در مدت زمان معقول جواب نزدیک به بهینه را پیدا می¬کنند. تا¬کنون الگوریتم¬های فراوانی برای حل مساله انتخاب ویژگی، ارائه شده است، اما هیچ کدام در تمامی زمینه¬ها و مسایل به خوبی عمل نمی¬کنند، لذا ارائه الگوریتم¬های انتخاب ویژگی جدید همواره از اهمیت خاصی برخوردار می¬باشد. بر این اساس، در رساله حاضر برای اولین بار دو الگوریتم انتخاب ویژگی جدید به نام¬های الگوریتم بهینه¬سازی جمعیت ذرات کوانتومی دودویی(bqpso) و الگوریتم جستجوی گرانشی دودویی (bgsa) برای استفاده در مطالعات qsar توسعه، کدگذاری و به کار گرفته شده¬اند. در کار اول، الگوریتم بهینه¬سازی جمعیت ذرات کوانتومی دودویی جهت انتخاب مناسب¬ترین توصیف¬کننده¬ها از بین 374 توصیف¬کننده محاسبه¬شده، برای مدل¬سازی فعالیت ضد¬ایدز مشتقات فلاونوئید به کار گرفته شد. این الگوریتم با الهام از اصل عدم قطعیت هایزنبرگ فضای جستجوی مساله را به عنوان یک سیستم با ذرات کوانتومی در نظر گرفته و پویش می¬کند. در واقع این الگوریتم نسخه مبتنی بر احتمال الگوریتم pso است که ذرات به جای حرکت نیوتنی، حرکت کوانتومی دارند. یک چاه پتانسیل وابسته به شایستگی ذرات در هر کدام از ابعاد، ذرات را به سوی خود می¬کشاند. شایستگی ذرات توسط شبکه عصبی مصنوعی تنظیم شده بایزینی (brann) تعیین می¬گردد. ذرات پس از تبادل اطلاعات با یکدیگر به موقعیت¬های جدید منتقل می¬شوند. با بهینه¬کردن تنها پارامتر قابل تنظیم الگوریتم (α)، همگرایی بهتر آن مشاهده ¬گردید. مدل bqpso-brann به دست آمده با داشتن 5 توصیف¬کننده قادر است بیش از 98% واریانس pic50 مولکول¬های سری داده (983/0=r2) را توضیح دهد. نتایج حذف یکتایی (920/0="r" _"loo" ^"2" و 894/0="r" _"m" ("loo" )^"2" )، حذف چهارتایی (900/0="r" _"l4o" ^"2" )، حذف هشت¬تایی (882/0="r" _"l8o" ^"2" )، ارزیابی متقاطع برونی (893/0="r" _"v" ^"2" و 849/0="r" _("m" v)^"2" ) و تصادفی¬کردنy (864/0="r" _"p" ^"2" ) نشان دهنده معتبر بودن مدل است. همچنین مقایسه عملکرد bqpso با الگوریتم¬های شناخته شده ژنتیک الگوریتم دودویی (bga) و الگوریتم بهینه¬سازی جمعیت ذرات دودویی (bpso) نشان از برتری الگوریتم جدید bqpso دارد. بنابراین می¬توان الگوریتم bqpso را یک الگوریتم انتخاب ویژگی کارآمد در تحقیق حاضر دانست. در کار دوم، از الگوریتم جستجوی گرانشی دودویی به عنوان الگوریتم انتخاب توصیف کننده در بررسی رابطه کمی بین ساختار مشتقات ایمیدازو –b] 5,4[ پیریدین با فعالیت ضد سرطانی آنها استفاده شد. الگوریتم بهینه¬سازی گرانشی با الهام از ﻗﻮاﻧﻴﻦ ﮔﺮاﻧﺶ و ﺣﺮﻛﺖ، معرفی شده است. عوامل جستجو کننده در این الگوریتم مجموعه¬ای از اجرام هستند که ﻣﯽتوانند ﻣﺤﻞ و وﺿـﻌﻴﺖ ﺳـﺎﻳﺮ اﺟـﺮام را از ﻃﺮﻳﻖ ﻗﺎﻧﻮن ﺟﺎذﺑﻪ ﮔﺮاﻧﺸﻲ مشخص ¬کنند. ﻣﻮﻗﻌﻴﺖ ﻫﺮ ﺟﺮم، ﺟﻮاﺑﻲ از ﻣﺴﺎﻟﻪ اﺳﺖ. مقدار جرم هر عامل متناسب با شایستگی آن در brann در نظر گرفته شد. اجرام با توجه به ﻧﻴﺮوی وارده از ﺳﻮی سایر اﺟﺮام، تغییر موقعیت می¬دهند. ﻣﻮﻗﻌﻴﺖﻫﺎی ﺟﺪﻳﺪ ﺑﻪ ﻋﻨﻮان ﻣﻜﺎن اﺟـﺮام ﺟﺪﻳـﺪ در ﻓﻀﺎی ﺟﺴﺘﺠﻮ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ¬ﺷـﺪند. پس از بهینه¬کردن پارامترهای الگوریتم، عوامل جستجوگر حول بهینه فرامحلی جمع شدند و الگوریتم همگرا گردید. مدل به دست آمده که شامل 7 توصیف کننده است، با توانایی برازش خیلی خوب (990/0=r2) توسط آزمون¬های معتبر، اعتبارسنجی گردید. نتایج حذف یکتایی (936/0="r" _"loo" ^"2" و 888/0="r" _"m" ("loo" )^"2" )، حذف چهارتایی (932/0="r" _"l4o" ^"2" )، حذف هشت¬تایی (921/0="r" _"l8o" ^"2" )، ارزیابی متقاطع برونی (982/0="r" _"v" ^"2" ) و تصادفی کردنy (885/0="r" _"p" ^"2" ) نشان دهنده مناسب و معتبر بودن مدل bgsa-brann می¬باشد. ضمناً مقایسه عملکرد bgsa با bga برتری مدل bgsaرا نشان داد. جفت کردن bgsaبا brann سبب انتخاب توصیف¬کننده¬های مناسب در فرایند مدل¬سازی شده است، به نحوی که مدل حاصل هم برازش و هم قدرت پیش¬بینی بسیار خوبی دارد.