انتخاب ویژگی های زیر مجموعه ی بهینه امری دشوار است. در زمینه انتخاب ویژگی، تحقیقات بسیاری انجام شده است. انتخاب ویژگی، مسأله پیدا کردن ویژگی های مرتبط و حذف ویژگی های اضافی و غیر ضروری است که این کار باعث بالا رفتن نرخ طبقه بندی درست و کاهش پیچیدگی محاسباتی و زمانی خواهد شد. الگوریتم جستجو باید برای حل مسأله انتخاب ویژگی تعیین شود. الگوریتم جستجو در این پایان نامه برمبنای الگوریتم ابرابتکار است. این الگوریتم نسبتاً جدید از دو لایه تشکیل شده است: جستجوگرهای محلی و تابع انتخاب. هر جستجوگر محلی راهبردهای متفاوتی برای حل مسأله دارد. وظیفه تابع انتخاب پذیرش یا عدم پذیرش راه حل جدید و انتخاب جستجوگرمحلی بعدی برای هدایت راه حل است، به همین دلیل رویکرد ابرابتکاری مصالحه خوبی بین کاوش و بهره برداری ایجاد می کند. در این پایان نامه برای نخستین بار رویکرد ترکیبی ابرابتکاری برای حل مسأله انتخاب ویژگی ارائه شده است. الگوریتم های پیشنهادی رویکرد ابرابتکاری را به خدمت گرفته و با الگوریتم فرا ابتکاری (الگوریتم جستجوی گرانشی باینری) تلفیق می کنند. با این روش در قسمت تابع انتخاب الگوریتم ابرابتکاری تغییراتی ایجاد شده و سه روش پیشنهادی معرفی می شوند. تابع انتخاب اولین روش پیشنهادی، چرخ گردان است. تابع انتخاب دومین و سومین روش پیشنهادی، یک سیستم استتاج فازی است که این دو روش در نوع ورودی های کنترل فازی متفاوت هستند. برای بررسی عملکرد الگوریتم های پیشنهادی، الگوریتم جستجوی گرانشی باینری و هشت الگوریتم ممتیک در انتخاب ویژگی مقایسه می شوند. برای انجام آزمایش ها از 10 مجموعه داده استفاده شده است. که اکثر آن ها به طور مکرر در بسیاری از مطالعات و مقالات یادگیری ماشین استفاده شده است. نتایج و تحلیل آزمایش ها ارائه شده است.