Мягкие вычисления (Soft Computing, SC) стали универсальным инструментом для решения сложных вычислительных задач в различных областях. В них используются человекоподобные способности распознавания и обучения, что позволяет находить инновационные решения для реальных задач. В эпоху взрыва данных эффективная обработка данных требует выбора ключевых атрибутов для прогностического моделирования, что приводит к необходимости выбора подмножества признаков. Выбор подмножества признаков - сложная задача NP-Hard, и различные методы делятся на подходы с фильтрами, обертками и встраиванием. Метаэвристические алгоритмы, известные своими возможностями глобального поиска, были использованы для выбора признаков с целью максимизации точности классификации. В данном исследовании, ориентированном на медицинские приложения, рассматривается компьютерная диагностика, где методы выбора признаков на основе популяций повышают точность классификации, сокращая время анализа. В исследовании представлен