امروزه به دلیل پیچیدگی زیاد فرآیندها وعدم امکان ارائه مدل تحلیلی، مدلسازی فرآیندها با استفاده از داده های ورودی-خروجی از اهمیت بالایی برخوردار است. ارائه مدل بر اساس داده های ورودی-خروجی به دقت داده های حاصل از فرآیند وابسته است. همواره عوامل زیادی وجود دارند که باعث عدم دقت و نامعینی در داده ها می شوند. بنابراین مدل ارائه شده باید به گونه-ای باشد که نسبت به این نامعینی ها مقاوم باشد. در این پایان نامه از روش برنامه ریزی ژنتیکی چند هدفه برای مدلسازی فرآیندهای پیچیده استفاده می شود. برنامه ریزی ژنتیکی الگوریتم ژنتیک را مستقیماً روی برنامه های کامپیوتری با ساختارهای درختی انعطاف پذیراعمال می کند و می تواند برای مسائلی که اندازه و شکل جواب در آنها نامشخص است راه حل ارائه دهد. همچنین بر خلاف اکثر شبکه های عصبی به دلیل قابلیت آن در استفاده از توابع متنوع در مدلسازی، می تواند مدل های دقیق و ساده ای را برای مسائل ارائه کند. ضمناً از الگوریتم بهینه سازی چندهدفه muga که بر اساس مرتب سازی نقاط غیربرترعمل می کند در برنامه ریزی ژنتیکی استفاده می شود. توابع هدفی که مد نظر قرار گرفته اند شامل میانگین خطای مدلسازی، میانگین خطای پیش بینی، واریانس خطای مدلسازی، واریانس خطای پیش بینی و اندازه جواب یا به عبارتی تعداد گره درخت می باشند که همگی باید کمینه گردند. با کم کردن میزان واریانس، مقاومت مدل نسبت به نامعینی های موجود در داده های آزمایشگاهی بیشینه می گردد. مقدار نامعینی به اندازه 5%± برای هر کدام از داده ها در نظر گرفته می شود و برای مدلسازی عوامل نامعینی از روش شبیه سازی مونت کارلو استفاده می شود. دو مسئله با استفاده از این روش مدلسازی می شوند و در هر کدام منحنی های پارتو که شامل نقاط بهینه غیربرتر است ارائه شده و نقطه مصالحه طراحی پیشنهاد می گردد. مقایسه نتایج با کارهای قبلی انجام شده نشان دهنده برتری این روش است.