بسیاری از الگوریتم های بهینه سازی از مدل مجذوری برای تقریب تابع هدف استفاده می کنند. مدل مخروطی برای بهینه سازی نامقید توسط دیویدان ارائه شد و تعمیم مدل مجذوری می باشد. مدل مخروطی نسبت به مدل مجذوری تابع هدف را بهتر تقریب می زند زیرا در شرایط درونیابی بیشتری صدق می کند. مدل مخروطی در چهار شرط درونیابی از مقادیر تابع هدف و گرادیان آن در نقطه کنونی و قبلی صدق می کند. استفاده از شرایط درونیابی بیشتر می تواند عملکرد الگوریتم های بهینه سازی را بهبود بخشد. در این پایان نامه، دو روش ناحیه اطمینان غیریکنوا بر اساس مدل مخروطی برای مسائل بهینه سازی نامقید مورد بررسی قرار می گیرد. این روش ها ترکیب تکنیک های غیریکنوا، روش های ناحیه اطمینان و مدل مخروطی می باشند. ایده اصلی روش اول ترکیب الگوریتم ناحیه اطمینان مخروطی با تکنیک جستجوی خطی غیریکنوای گریپو، لامپاریلو و لوسیدی می باشد. ایده اصلی روش دوم ترکیب الگوریتم ناحیه اطمینان مخروطی و تکنیک جستجوی خطی غیریکنوای ژانگ و هگر می باشد. همگرایی سراسری و زبرخطی این روش ها تحت شرایط مناسب ثابت شده است. نتایج عددی نشان دهنده کارآمد بودن این روش ها می باشد.