Differential evolution has started to attract a lot of attention as a powerful search method and has been successfully applied to a variety of applications including pattern recognition. One of the most important tasks in many pattern recognition systems is to find an informative subset of features that can effectively represent the underlying problem. Specifically, a large number of features can affect the system’s classification accuracy and learning time. In order to overcome such problems, we propose a new feature selection method that utilizes differential evolution in a novel manner to identify relevant feature subsets. The proposed method aims to reduce the search space using a simple, yet powerful, procedure that involves distributing the features among a set of wheels. Two versions of the method are presented. In the first one, the desired feature subset size is predefined by the user, while in the second the user only needs to set an upper limit to the feature subset size. Experiments on a number of datasets with different sizes proved that the proposed method can achieve remarkably good results when compared with some of the well-known feature selection methods.

تکامل تفاضلی، روش جستجوی قدرتمندی است که مورد توجه زیادی قرار گرفته است و در کاربردهای مختلفی از جمله تشخیص الگو به طور موفقیت امیز مورد استفاده قرار گرفته است.پیدا کردن زیر مجموعه ای اموزنده ای از زیرمجموعه ای از ویژگی ها،  یکی از مهمترین وظایف در سیستم های  تشخیص الگو  است که عملا بیانگر مسئله ای اساسی است . خصوصا، ویژگی های بسیار زیاد، صحت دسته بندی سیستم و زمان یادگیری را تحت تاثیر قرار می دهد. در این راستا به جهت پوشش دهی چنین مسائلی، روش جدیدی برای انتخاب ویژگی پیشنهاد شده است که تکامل تفاضلی را به طرز نوینی برای تشخیص زیرمجموعه ویژگی های وابسته بکار می برد. روش پیشنهادی، فضای جست جو را با روشی ساده و در عین حال قدرتمند، کاهش می دهد و ویژگی ها را در میان مجموعه ای از چرخ ها توزیع می کند. دو نسخه از روش پیشنهادی ارائه گردیده است. در حالت اول، اندازه زیرمجموعه ویژگی مطلوب توسط کاربر از پیش تعریف شده است درحالیکه در حالت دوم، کاربر، فقط نیاز به تعیین حد بالایی برای اندازه زیر مجموعه ویژگی دارد. آزمایشات بر روی تعدادی دیتاست با اندازه های مختلف انجام شده است بطوریکه روش پیشنهادی در مقایسه با برخی از روشهای انتخاب ویژگی مشهور  به طور قابل ملاحظه ای نتایج خوبی را میدهد.