چکیده: در این پژوهش، مدل‌های کمی ساختار-خاصیت (QSPR) به منظور پیش‌بینی اندیس بازداری برخی روغن‌های ضروری برگ‌های گیاه فیرونیوم تنکیننس، از روشهای مختلف انتخاب متغیر و مدل‌سازی بهره گرفته شده است. روش رگرسیون، الگوریتم‌های بهینه‌سازی گروهی گرگ خاکستری (GWO)و نهنگ (WOA) برای انتخاب بهترین توصیف‌گرها، و ماشین بردار پشتیبان (SVM) و شبکه عصبی مصنوعی (ANN) به عنوان روش های مدل‌سازی غیرخطی به کار گرفته شده‌اند. نتایج مدل های مبتنی بر SW-ANN، GWO-ANN و WOA-ANN نشان داد که مدل GWO-ANN با ضریب تعیین بالاتر و خطای کمت عملکرد بهتری داشت. همچنین فقط سه توصیف کننده در این مدل ظاهر گردید که یک برتری برای این مدل به حساب می آید. نتایج مدل سازی با روش ماشین بردار پشتیبان و استفاده از دو روش انتخاب متغیر WOA و GWO نشان داد که مدل WOA-SVM با RMSE آزمون خارجی کمتر به‌طور قابل‌توجهی برتر از مدل GWO-SVM می‌باشد. این برتری نشان می‌دهد که الگوریتم نهنگ (WOA) در انتخاب توصیف‌گرهای کلیدی برای مدل‌سازی اندیس بازداری روغن‌های ضروری گیاه فیرونیوم تنکیننس موفق‌تر بوده است. به طور کلی، ترکیب الگوریتم های جدید گرگ خاکستری و نهنگ در ترکیب با شبکه عصبی مصنوعی و ماشین بردار پشتیبان روش‌هایی کارآمد برای پیش‌بینی اندیس بازداری این ترکیبات ارائه می‌دهد.