امروزه سازمان ها با پروژه ها و فرصت های سرمایه گذاری متعددی رو برو هستند. از طرفی با توجه به محدودیت های موجود و پویایی محیط کسب و کار ، بقای سازمان ها کسب موفقیت و دستیابی به مزایای رقابتی مستلزم انتخاب مجموعه مناسب و محدودی از پروژه ها می باشند. چنین انتخابی با دو چالش اساسی روبرو است. چالش اول به شرایط تصمیم گیری در مسئله انتخاب سبد پروژه مربوط می شود. از آنجایی که اغلب تصمیم گیرندگان مجبورند تحت شرایط عدم قطعیت و مبهم و حتی با اطلاعاتی ناقص تصمیم گیری نمایند، در نظر گرفتن مقادیر دقیق و یا تابع توزیع برای پارامترهای یک پروژه ممکن است غیر عملی و غیر کاربردی باشد. چالش دوم مربوط به ابزار ها و روش های بهینه سازی است که تاکنون مورد استفاده قرار گرفته است. در میان رویکردهای موجود ، الگوریتم های ابتکاری و فرا ابتکاری از جمله ژنتیک و کوچ پرندگان به عنوان اساسی ترین ابزارهای بهینه سازی شناخته شده اند. لکن در بکار گیری این ابزارها یک مشکل اساسی وجود دارد و آن این است که اجرای هر یک از الگوریتم های فرا ابتکاری پیشین مستلزم تعیین پارامترهای کنترلی خاص است. انتخاب درست مقادیر پارامترهای کنترلی بسیار حساس بوده و عملکرد الگوریتم و در نتیجه پاسخ نهایی را به شدت تحت تاثیر قرار می دهد. به علاوه انتخاب نادرست پارامترها محاسبات را افزایش داده و یا ممکن است جواب بهینه محلی ارائه دهد. این پژوهش ابتدا با بهره گیری از مفاهیم فازی شرایط عدم قطعیت را در مدل انتخاب سبد پروژه لحاظ نموده سپس برای گذر از چالش دوم با رویکردی نوین سعی دارد برای اولین بار الگوریتم خود بهینگی مبتنی بر آموزش و یادگیری را از ادبیات مهندسی به ادبیات مدیریتی وارد کرده و در انتخاب سبد پروژه بهینه به کار ببندد. تکنیک مورد نظر بدون نیاز به تعیین پارامترهای کنترلی خاص عملیات بهینه سازی را انجام داده و بهینه کلی را تعیین می نماید. این تکنیک تاکنون تنها در حوزه برق و مکانیک برای بهینه سازی متغیرهای طراحی به کار گرفته شده است.