یکی از حساس ترین اعضای بدن انسان مغز می باشد که در طول زندگی یک فرد، با توجه به شرایط زندگی یا مسائل ژنتیکی، ممکن است عملکرد بخشی از مغز دچار اختلال گردد. اختلال کم توجهی-بیش فعالی، اختلالی است که در آن پُرتحرکی، بی توجهی و رفتارهای ناگهانی بیشتر و شدیدتر کودک از کودکان دیگر وجود دارد. روش هایی که امروزه برای بررسی ارتباطات مغز به منظور تشخیص بیماری های مرتبط با عملکرد مغز استفاده می شود، روش تصویرنگاری عملکردی تشدید مغناطیسی در حالت استراحت می باشد. در این پایان نامه یک روش جدید با استفاده از الگوریتم تکاملی با طول متغیر برای انتخاب ویژگی های مناسب، جهت بهبود دقت تشخیص افراد سالم و بیمار به اختلال کم توجهی-بیش فعالی از یکدیگر مبتنی بر تحلیل تصاویر rs-fmri ارائه شده است. در این روش از الگوریتم تکاملی زنبورعسل برای انتخاب ویژگی های مورد بررسی استفاده شده است که ویژگی ها، مقادیر همبستگی میان سیگنال های سری زمانی مناطق مختلف مغز می باشند. مساله ی مهمی که در این میان مطرح می شود اینست که اطلاع دقیق و مطلوبی از طول بردار ویژگی در دسترس نیست که توانایی تفکیک و طبقه بندی داده ها را به صورت کامل داشته باشد. بنابراین، ما بر آن شدیم تا با به کارگیری الگوریتم زنبورعسل، به انتخاب ویژگی ها با طول متغیر بپردازیم تا بتوان تا حد قابل قبولی بر مشکل انتخاب ویژگی در الگوریتم هایی که در آن طول بردار ویژگی ثابت در نظر گرفته می شود غلبه کنیم. برای تابع ارزیابی از معیار فاصله ماهالانوبیس استفاده شده است. کارایی الگوریتم از لحاظ مقدار تابع هدف در درجه ی اول و زمان پردازش در درجه دوم مورد بررسی قرار گرفته شد و نتایج، حاکی از کارایی به مراتب بالاتر الگوریتم زنبورعسل با طول متغیر را نسبت به سایر روش ها نشان می دهد. در حالی که بهترین نتیجه صحت طبقه بندی کلی در میان سایر روش ها با 26 ویژگی منتخب از الگوریتم اجتماع ذرات، 61/76% می باشد، روش پیشنهادی توانسته به مقدار صحت طبقه بندی کلی 32/85% با انتخاب 25 ویژگی دست یابد. البته داده مورد بررسی از آن سری داده می باشد که با افزایش طول بردار ویژگی صحت طبقه بندی کلی بهبود قابل ملاحظه ای پیدا می کند. به این صورت که با انتخاب ویژگی با طول 35 به 66/91% و یا با طول 45 تا به 57/95% رسیده است. این روش منحصر به بیماری خاصی نبوده و می توان از آن برای بررسی اغلب بیماری های مرتبط با مغز استفاده کرد.