يكي از مشكلات داده¬هاي با ابعاد زياد اين است كه در بيشتر مواقع تمام ويژگي¬ها براي يافتن دانشي كه در داده¬ها نهفته است مهم و حياتي نيستند و حتی بعضی از ویژگی¬ها منجر به گمراهی الگوریتم¬های داده¬کاوی می¬گردند. با توجه به زمانبربودن و پیچیدگی روش¬های دقیق کاهش ویژگی، از روش¬های بهینه¬سازی هوشمند بدین منظور استفاده می¬شود. تا با پیدا کردن بهینه¬ترین زیرمجموعه¬ی ویژگی¬ها از کل فضای ویژگی¬های اصلی مساله، علاوه بر کاهش تعداد ویژگی¬ها و هزینه¬های محاسباتی، نرخ بازشناسی را به میزان قابل توجهی بهبود بخشید. در این پژوهش جهت کاهش ابعاد در مجموعه داده¬ها به کمک الگوریتم انتخاب ویژگی PCA و الگوریتم بهینه¬سازی ژنتیک سعی شده است بهترین زیرمجموعه از ویژگی¬های مجموعه داده انتخاب شود به¬طوری که ضمن کاهش ابعاد می¬توان به دقت خوشه¬بندی مطلوبی دست یافت.
روش پیشنهادی در نرم افزار MATLAB پیاده¬سازی و بر روی مجموعه داده¬های iris، wine ، glass مورد آزمایش قرار گرفته شده است. همچنین برای مقایسه¬ی نتایج روش پیشنهادی با الگوریتم¬های خوشه¬بندی پایه¬ی K-means، Single Linkage، Centroid Linkage, Average Linkage و Complete Linkage ، Ward Linkage و FCM از معیارهای فیشر، دقت و Nmi بهره گرفته شده است. نتایج آزمایش¬ها نشان از کارایی رضایت¬بخش روش پیشنهادی در مواجهه با مجموعه داده¬های مختلف دارد.