استفاده از روش های مرسوم ریاضیاتی در تخمین توابع، برای سیستم هایی که دارای عدم قطعیت هستند مناسب نیست. سیستم های فازی به طور گسترده برای تخمین توابع استفاده شده اند، هرچندکه دارای مشکلاتی نظیر عدم وجود روش استانداردی برای تبدیل دانش یا خبرگی بشر به پایگاه قوانین و نیاز به روش های موثری برای میزانسازی توابع عضویت می باشند. استفاده از شبکه های عصبی در تخمین توابع دارای مشکلاتی نظیر انتخاب معماری شبکه و الگوریتم یادگیری است. همچنین شبکه های عصبی جعبه های سیاهی هستند که نمی توانند در قالب قوانین تعبیر شوند. زیاد بودن تعداد واحدهای مخفی و طولانی بودن زمان هر گام آموزشی شبکه در مرحله یادگیری، از دیگر مشکلات آن است. علیرغم نیرومندی برخی روش های تکاملی برای تخمین توابع، نتایج بدست آمده گویای زمان بالای اجرا در این روش می باشد. درخت مدل خطی محلی دارای مزایای سیستم فازی نظیر استفاده از دانش بشری به زبان و درک انسان است که مشکلات شبکه های عصبی را تا حد زیادی رفع کرده است. از آن جمله اینست که این مدل دارای کمترین تعداد نرون ها برای رسیدن به خطای مشخصی است. همچنین مشکلات انتخاب معماری مناسب، وجود تعداد زیاد واحدهای مخفی، و طولانی بودن زمان در هر گام آموزشی را نیز رفع کرده است. در این پایان نامه قصد داریم با ترکیب روش های تکاملی با این مدل و استفاده از توانایی این روش ها در یافتن جواب بهینه، تعداد نرون ها را کاهش دهیم و سیستم همه منظوره ای با حجم محاسبات کم و زمان اجرای پایین جهت تخمین توابع معرفی کنیم.

شناسایی سطوح سر به سری تولیدات و فعالیتها و متعاقب آن تعیین سطوح مورد انتظار فعالیت امکان موثری را جهت پیش بینی فروش و برنامه ریزی سود بدست می دهد.تعیین نقطه بهینه تولید محصولات در بهبود وضعیت شرکت و برنامه ریزی های آتی مدیران جهت بیشینه سازی اهداف سازمان اهمیت بسیار زیادی خواهد داشت.با پیشرفت روز افزون علم، استفاده از روش های جدید و بکارگیری تکنولوژی های هوشمند در امر پیش بینی رونق بسیاری پیدا کرده است.در میان روش های پیش بینی، شبکه های عصبی مصنوعی و منطق فازی در بسیاری از زمینه های کاربردی،استفاده شده اند و هر کدام دارای محاسن و معایبی هستند. در این پژوهش کاربرد علم پیش بینی در تعیین سطوح مورد انتظار فعالیت و روند های عمده مالی و عملیاتی شرکت پالایش گاز سرخون و قشم مورد پژوهش قرار گرفته است و همچنین روش ها و الگوریتم های جدیدمانند شبکه های عصبی و منطق فازی تشریح شده و کاربرد ترکیب دو روش در پیش بینی نقطه بهینه تولید محصولات به عنوان یکی از ابزا رهای مهم مدیران در برنامه ریزی و تصمیم گیری های آتی،بررسی گردیده است.از همین رو نخست با استفاده از روش های آماری پیش بینی مورد نظر انجام شد،سپس نتایج این روش ها با نتایج حاصل از روش شبکه عصبی فازی در پیش بینی سطوح مورد انتظار فعالیت با استفاده از معیار های اندازه گیری خطای پیش بینی،مقایسه گردید و همچنین جهت نشان دادن برتری و دقت شبکه های عصبی فازی نتایج حاصل از این مدل با مدل شبکه های عصبی صرف نیز مقایسه گردیده است و این نتیجه بدست آمد که در همه معیار ها روش شبکه عصبی فازی نسبت به سایر روش ها برتری دارد.