عملیات طبقه‌بندی و دستیابی به خطای کمتر در طبقه‌بندی، که منجر به دقت بالاتر می‌شود، نیازی به استفاده از تمامی ویژگی‌های یک مجموعه داده ندارد. با انتخاب ویژگی‌های معنادار و کاهش ابعاد بردار ویژگی‌ها، می‌توان عملکرد روش پیشنهادی را بهبود بخشید. نتایج آزمایشات ما نشان می‌دهد که انتخاب زیرمجموعه‌های خاصی از ویژگی‌ها می‌تواند به عملکرد بهتر در مجموعه‌های داده مختلف منجر شود. به‌طور خاص، در مجموعه دادهGISETTE، با انتخاب ۲۰ ویژگی از طریق الگوریتم ACO، دقت به 18/98 درصد رسید. همچنین، در مجموعه داده‌های دیگر همچون RELATHE و PROSTATE-GE، دقت به ترتیب 85/77 درصد و 77/97 درصد بود. فرآیند یافتن تعداد مناسب ویژگی‌ها معمولاً زمان‌بر است. از این رو، ما مساله انتخاب ویژگی را به‌عنوان یک مساله بهینه‌سازی در نظر گرفته و حل آن را به روش‌های فراابتکاری واگذار می‌کنیم. در این مقاله، رویکردی برای انتخاب ویژگی با استفاده از الگوریتم بهینه‌سازی کلونی مورچه‌ها (ACO) ارایه شده است. پرسپترون دو‌لایه به‌عنوان طبقه‌بند از ویژگی‌های انتخاب‌شده توسط الگوریتم ACO در عملیات طبقه‌بندی استفاده می‌کند. برای ارزیابی روشACO، از یک نرم جدید و اسپارس استفاده شده است که ما این روش را ANT-ANN-SSN نامگذاری کرده‌ایم. نتایج آزمایش‌ها نشان می‌دهند که روش ANT-ANN-SSN در تمامی مجموعه داده‌ها عملکرد بهتری نسبت به سایر روش‌ها داشته است.