چکیده: پارامتر حلالیت هانسن (HSPs) مقادیر عددی مرتبط با انرژی‌ها یا نیروهای چسبندگی بین مولکولی هستند که مولکول‌ها را در یک ماده به هم متصل می‌کنند. رابطه کمی ساختار–خاصیت (QSPR) یک روش کارآمد برای پیش‌بینی خواص ترکیبات مختلف بر پایه ساختار مولکولی آن‌ها محسوب می‌شود. در این پژوهش، مدل‌های QSPR به‌منظور پیش‌بینی پارامتر حلالیت هانسن (HSPs) ترکیب اتیل وینیل استات در حلال های آلی مختلف با استفاده از توصیفگرهای مولکولی توسعه داده شدند. بدین منظور، مجموعه‌ای جامع از توصیفگرها محاسبه و سپس با به‌کارگیری الگوریتم ژنتیک (GA)، جنگل تصادفی (RF) و الگوریتم اجتماع مورچگان (ACO) به‌عنوان روش‌های انتخاب متغیر، کاهش داده شد. برای مدل‌سازی روابط بالقوه غیرخطی میان توصیفگرهای مولکولی و زمان بازداری، از شبکه‌ عصبی مصنوعی (ANN) استفاده گردید. ارزیابی عملکرد مدل‌ها بر اساس معیارهای آماری مختلف، از جمله ضریب تعیین و شاخص‌های مبتنی بر خطا، برای هر مجموعه آزمون خارجی انجام شد. نتایج نشان داد که مدل‌های RF–ANN برتری نسبی در مقایسه با دیگر مدل ها دارد که حاکی از قدرت پیش‌بینی این مدل دارد، هرچند سایر مدل ها نیز نتایج قابل قبولی ارائه دادند. رویکرد پیشنهادی ابزاری قابل اعتماد برای پیش‌بینی پارامتر حلالیت هانسن (HSPs) ترکیب اتیل وینیل استات در حلال های آلی مختلف فراهم می‌آورد و می‌تواند نیاز به انجام اندازه‌گیری‌های تجربی گسترده و پرهزینه را به‌طور قابل توجهی کاهش دهد.