در این پایان نامه یک روش حل مسائل دسته بندی ارائه می شود. کرنلها در روشهای حل مسائل دسته بندی کاربرد بسیاری دارند. با استفاده از کرنل، داده ها به فضایی با ابعاد بالاتر انتقال داده می شوند. به طور ایده آل انتظار می رود که در این فضا داده های مشابه در کنار یکدیگر قرار بگیرند. نو آوری این پایان نامه در به کار گرفتن روش دسته بندی k نزدیکترین همسایه در این فضا است. این عمل از نظر تئوری عملکرد مناسبی خواهد داشت. کرنل ها پارامترهایی دارند که با تغییر آنها داده ها به فضاهای با توزیع متفاوتی نگاشت می شوند. لذا با استفاده از روش بهینه سازی گروه ذرات به یافتن مقدار بهینه این پارامتر ها پرداخته می شود. لذا با تنظیم این پارامترها به دقت بالاتری دست می یابیم. نوآوری دیگر این پایان نامه به کار بردن مقدار k در روش دسته بندی k نزدیکترین همسایه به صورت گسسته در بازنمایی ذرات روش بهینه سازی است. برای ارزیابی، روش پیشنهادی روی داده های معیار استاندارد uci پیاده سازی شده اند. نتایج نشان دهنده این است که روش پیشنهادی به دقت بالاتری نسبت به سایر روشهای دسته بندی دست یافته است.