في مجال تصنيف السلاسل الزمنية، تمثل الشيبليت (shapelets) سلاسل زمنية صغيرة تميّز فئة معينة. وقد أظهرت الدراسات أن المصنّفات قادرة على تحقيق نتائج من الدرجة الأولى (state-of-the-art) على مجموعة واسعة من المجموعات البيانات من خلال أخذ المسافات بين السلسلة الزمنية المدخلة وعدد من الشيبليتات التمييزية كمدخلات. بالإضافة إلى ذلك، يمكن عرض هذه الشيبليتات بسهولة، مما يمنحها خاصية قابلة للتفسير، ما يجعلها جذابة للغاية في المجالات الحيوية مثل مجال الرعاية الصحية، حيث تُستخدم البيانات الطولية بشكل شائع. في هذه الدراسة، تم اقتراح منهج جديد لاستكشاف الشيبليتات، يعتمد على الحوسبة التكاثرية (evolutionary computation). وتتمثل المزايا الرئيسية لهذا النهج المقترح في ما يلي: (1) أنه لا يعتمد على التدرج (gradient-free)، ما يمكّن من الهروب بسهولة من الحدود المحلية (local optima) والعثور على مرشحين مناسبين بسهولة، كما يدعم الوظائف الهدف غير القابلة للتفاضل؛ (2) لا يتطلب بحثًا قسريًا (brute-force search)، مما يقلل بشكل كبير من التعقيد الحسابي بمقدار عدة رتب من التماثل؛ (3) يتم تطوير الكمية الإجمالية للشيبليتات وطول كل منها بشكل مشترك مع الشيبليتات نفسها، مما يقلل الحاجة إلى تحديد هذه القيم مسبقًا؛ (4) يتم تقييم مجموعات كاملة من الشيبليتات دفعة واحدة بدلًا من تقييم شيبليت واحدًا في كل مرة، مما يؤدي إلى مجموعات نهائية أصغر، وتحتوي على شيبليتات أقل تشابهًا، مع أداء تنبؤي مماثل؛ (5) لا يشترط أن تكون الشيبليتات المكتشفة تسلسلًا فرعيًا (subsequence) للسلسلة الزمنية المدخلة. ونقدم نتائج تجارب تُثبت صحة المزايا المذكورة أعلاه.