Afin d’améliorer la qualité de prédiction des techniques de classification automatique et de fouilles de données, plusieurs modèles ont été conçus et mis au point. Toutefois, et avec l’expansion vertigineuse des systèmes d’information et des technologies associées de communication et de stockage, ces techniques de classification s’avèrent de moins en moins adaptées aux nouvelles tailles et dimensions des données. Dans ce travail on s’’intéresse à l’étude et à l’amélioration du processus d’apprentissage des techniques de classification, et ce, à travers des de filtrage et de sélection d’attributs. Le problème « d’identification d’attributs pertinents » (Feature Selection), tel qu’il est défini dans la littérature, relève d’une nature combinatoire.
Dans le cadre de cette problématique, un certain nombre d’approches hybrides reposant sur les méta-heuristiques ont été proposées. Parmi les metaheuristiques utilisée on peut citer les algorithmes mimétiques, GRASP, et les PSO.