چکیده: یکی از مسائل چالشی در شناسایی الگو، فرآیند انتخاب ویژگی داده است. انتخاب ویژگی نقش مهمی در حل مسائل با داده‌های با ابعاد بالا ایفا می‌کند و یک گام مهم و اساسی در پیش‌پردازش بسیاری از مسائل طبقه‌بندی و یادگیری ماشین است. روش پیشنهادی این پایان‌نامه یک روش انتخاب ویژگی، مبتنی بر الگوریتم گرگ خاکستری است. در این الگوریتم جهت به کاربردن انتخاب ویژگی از روش دسته‌بند، استفاده شده است. تابع انتقال نیز بخش مهمی از الگوریتم گرگ خاکستری باینری است که برای نگاشت مقدار پیوسته به مقدار باینری ضروری است. در تمامی تحقیقات قبلی، تنها از یک تابع انتقال برای کل الگوریتم استفاده شده است و همه گرگ‌ها در کل الگوریتم با این تابع انتقال سروکار داشتند. در این پایان‌نامه، الگوریتم با چندین تابع انتقال سروکار دارد و هر گرگ تابع انتقال خاص خود را خواهد داشت. این ایده از آنجا نشات می‌گیرد که الگوریتم‌ها فراابتکاری تکاملی هستند و می‌توانند خود را بهینه کنند، گرگ‌ها می‌تواند در کل الگوریتم در هر مرحله نقش داشته باشد و در عین حال خودشان را بهینه کرده و خود را با جامعه تطبیق دهند و فقط به یک تابع انتقال وابسته نباشند. در روش پیشنهادی، هشت تابع انتقال استفاده می‌شود که به دو خانواده S شکل و V شکل تقسیم می‌شوند. دو رویکرد برای یادگیری تابع انتقال پیشنهاد می‌گردد. در روش پیشنهادی، به هر گرگ یک تابع مخصوص به خود نسبت داده شده است. این ایده می‌تواند امکانی فراهم آورد که در هر تکرار الگوریتم با توجه به انتخاب گرگ آلفا و حرکت به سمت طعمه، تابع انتقال مناسب نیز انتخاب شود. ما در این نوآوری از دو ایده استفاده کردیم. در ایده اول سه و یا دو بیت باینری را به جمعیت اولیه اضافه می‌کنیم. اگر دو بیت اضافه گردد چهار حالت تابع انتقال و اگر سه بیت اضافه گردد هشت تابع انتقال قابل دستیابی می‌باشد. در ایده دوم از 10 یا 21 بیت باینری به جمعیت اولیه اضافه می‌شود. اگر 10 بیت اضافه گردد یک نوع تابع انتقال خواهیم داشت . 210 حالت ضریب برای شیب تابع انتقال قابل دسترس می‌باشد. اگر 21 بیت اضافه گردد دو نوع تابع انتقال قابل دستیابی می‌باشد که 210 حالت ضریب برای شیب تابع انتقال وجود خواهد داشت. در هر دو ایده، از بیت‌های اضافه شده ملاکی برای انتخاب تابع انتقال و نیز ضریب موثر بر شیب این توابع استفاده شده است. بعد از هر تکرار الگوریتم موقعیت گرگ آلفا بروزرسانی و تابع انتقال انتخاب می‌گردد. با تکرارهای بعدی، الگوریتم ضمن انتخاب تابع انتقال مناسب با شیب مناسب، یادگیری تابع انتقال را نیز انجام می‌دهد. نتایج آزمایش بر روی ده مجموعه داده UCI، نشان می‌دهد که انتخاب زیرمجموعه‌ ویژگی بدست آمده با دقت طبقه‌بندی بالا، موثر و کارآمد می‌باشد.