{% if title in 'Otimização' %}
As tarefas de otimização do MetaOPT empregam meta-heurísticas para minimizar uma função de teste, uma vez que elas
são flexiveís e capazes de encontrar boas soluções para vários problemas.
Quanto às funções de teste, pode-se dizer que são problemas artificiais de diferentes níveis de dificuldade, servindo para avaliar a performance e a convergência dos otimizadores.
Disponibilizam-se aqui os algoritmos e as funções mais populares da literatura.
{% else %}
A funcionalidade de seleção de características do MetaOPT emprega as meta-heurísticas mais populares da literatura para encontrar o vetor de características
que minimiza o erro de classificação. O classificador de padrões utilizado foi o OPF (Optimum Path-Forest) e as bases de dados
pertencem ao repositório UCI Machine Learning que foram escolhidas devido à sua relevância na literatura.
Ademais, como nenhuma versão binária das técnicas de otimização foi implementada, o uso de funções de transferências se fez necessário.
{% endif %}