1عملیات طبقه بندی و دستیابی به خطای کمتر در طبقه بندی، که منجر به دقت بالاتر می شود، نیازی به استفاده از تمامی ویژگی های یک مجموعه داده ندارد. با انتخاب ویژگی های معنادار و کاهش ابعاد بردار ویژگی ها، می توان عملکرد روش پیشنهادی را بهبود بخشید. نتایج آزمایشات ما نشان می دهد که انتخاب زیرمجموعه های خاصی از ویژگی ها می تواند به عملکرد بهتر در مجموعه های داده مختلف منجر شود. به طور خاص، در مجموعه دادهGISETTE، با انتخاب 20 ویژگی از طریق الگوریتم ACO، دقت به 18/98 درصد رسید. همچنین، در مجموعه داده های دیگر همچون RELATHE و PROSTATE-GE، دقت به ترتیب 85/77 درصد و 77/97 درصد بود. فرآیند یافتن تعداد مناسب ویژگی ها معمولاً زمان بر است. از این رو، ما مساله انتخاب ویژگی را به عنوان یک مساله بهینه سازی در نظر گرفته و حل آن را به روش های فراابتکاری واگذار می کنیم. در این مقاله، رویکردی برای انتخاب ویژگی با استفاده از الگوریتم بهینه سازی کلونی مورچه ها (ACO) ارایه شده است. پرسپترون دو لایه به عنوان طبقه بند از ویژگی های انتخاب شده توسط الگوریتم ACO در عملیات طبقه بندی استفاده می کند. برای ارزیابی روشACO، از یک نرم جدید و اسپارس استفاده شده است که ما این روش را ANT-ANN-SSN نامگذاری کرده ایم. نتایج آزمایش ها نشان می دهند که روش ANT-ANN-SSN در تمامی مجموعه داده ها عملکرد بهتری نسبت به سایر روش ها داشته است.