انتخاب ویژگی تمرکز بسیاری از حوزه¬های تحقیقاتی در سال¬های اخیر را به خود جلب کرده است. با پیشرفت سریع فنّاوری کامپیوتری، پایگاه¬ داده¬هایی با صدها و هزاران ویژگی در شناسایی الگو، داده کاوی، یادگیری ماشین و… به وجود آمده است. به¬طوری¬که پردازش مجموعه داده¬های بزرگ، یک کار چالش برانگیز شده است. انتخاب ویژگی این مشکل را با از بین بردن داده¬های بی¬ربط، زائد یا نویزی حل می¬کند. این عمل کارایی الگوریتم یادگیری را بهبود می¬بخشد و هزینه-های محاسباتی را کاهش می¬دهد. در این پایان نامه با توجه به ضرورت پردازش مجموعه داده های بزرگ، از الگوریتم ممتیک برای حل این مشکل استفاده شده است. الگوریتم ممتیک با ترکیب دو روش جستجوی سراسری و محلی موجب همگرایی و کاوش بهتر الگوریتم در محیط می شود. همچنین الگوریتم های یادگیری تقویتی از طریق تعامل مداوم با محیط برای حل مسائل بهینه سازی استفاده می شوند؛ که در مسئله انتخاب ویژگی می توانند در یافتن بهینه ترین زیرمجموعه ممکن مؤثر باشند. بر همین اساس، سه روش پیشنهادی مبتنی بر الگوریتم ممتیک و الگوریتم های یادگیری تقویتی ارائه شده است که در روش اول از یک الگوریتم ممتیک مبتنی بر pso-svm به همراه دو روش جستجوی محلی استفاده شده است که به¬طور همزمان زیرمجموعه ویژگی بهینه را انتخاب و پارامترهای svm را تنظیم می¬کند. در روش دوم، یک الگوریتم ممتیک خود تطبیق مبتنی بر عدم قطعیت متقارن ارائه شده است که از چهار روش گسسته سازی مختلف استفاده می کند. همچنین در این الگوریتم یک روش پیش پردازش جدید معرفی شده است که ویژگی های مرتبط با کلاس خروجی را انتخاب می کند و باعث سریع تر شدن و بهبود دقت طبقه بندی در داده های با ابعاد بالا می شود. در روش پیشنهادی سوم نیز یک الگوریتم جستجوی محلی مبتنی بر یادگیری تقویتی باهدف بهینه سازی و اصلاح ویژگی های هر یک از ذرات ارائه شده است. نتایج عددی و تحلیل های آماری نشان دهنده کارایی روش های مزبور در مقایسه با نسخه¬های دیگر بر روی دو معیار دقت طبقه بندی و تعداد ویژگی انتخابی در مجموعه داده¬های با ابعاد معمولی و ابعاد بالا است.