Mqgkie wychisleniq (Soft Computing, SC) stali uniwersal'nym instrumentom dlq resheniq slozhnyh wychislitel'nyh zadach w razlichnyh oblastqh. V nih ispol'zuütsq chelowekopodobnye sposobnosti raspoznawaniq i obucheniq, chto pozwolqet nahodit' innowacionnye resheniq dlq real'nyh zadach. V äpohu wzrywa dannyh äffektiwnaq obrabotka dannyh trebuet wybora klüchewyh atributow dlq prognosticheskogo modelirowaniq, chto priwodit k neobhodimosti wybora podmnozhestwa priznakow. Vybor podmnozhestwa priznakow - slozhnaq zadacha NP-Hard, i razlichnye metody delqtsq na podhody s fil'trami, obertkami i wstraiwaniem. Metaäwristicheskie algoritmy, izwestnye swoimi wozmozhnostqmi global'nogo poiska, byli ispol'zowany dlq wybora priznakow s cel'ü maximizacii tochnosti klassifikacii. V dannom issledowanii, orientirowannom na medicinskie prilozheniq, rassmatriwaetsq komp'üternaq diagnostika, gde metody wybora priznakow na osnowe populqcij powyshaüt tochnost' klassifikacii, sokraschaq wremq analiza. V issledowanii predstawleny dwa nowyh metaäwristicheskih metoda, algoritm Separated Enemy Driven Dragon Algorithm (SEDDA) i algoritm Crow Search Algorithm (FSCA), osnowannyj na fitnese, i prowedeno ih srawnenie s suschestwuüschimi metodami.