مسائل برنامه ریزی خطی چند هدفه (molp)1 دسته ای از مسائل ریاضی هستند که به منظور تحلیل مسائل تصمیم گیری در شرایط وجود معیار های چند گانه و غالبا متضاد به وجود آمده اند. هدف از تشکیل و حل این مدل ها یافتن جوابی است که از هر نظر برای تصمیم گیرنده رضایت بخش باشد. روش های تعاملی2 که در آن ها تصمیم گیرنده اطلاعات خود را در مورد اولویت هایش نسبت به اهداف، در طی فرایند حل و به تدریج در اختیار تحلیل گر قرار می دهد، نسبت به سایرروش های حل این مسائل جوان ترند و تحقیقات جدیدی که در زمینه توسعه روش های برنامه ریزی چند هدفه صورت می گیرد، اکثرا مربوط به این گروه است. روش های تعاملی زیادی وجود دارد که تفاوت عمده آن ها در نوع اطلاعاتی است که در هر مرحله از تصمیم گیرنده (dm)1 گرفته و یا به او داده می شود. انتظار می رود در این روش ها جواب نهایی بسیار راضی کننده تر از جواب روش های دیگر باشد. چونdm مرتبا تأثیر گذار و هدایت-کننده فرایند حل مساله در رسیدن به راه حل نهایی است. اما نقطه ضعف عمده این روش ها در تعداد سوالاتی است که تصمیم گیرنده باید به آن ها پاسخ دهد؛ به طوری که بیشتر تحقیقات در زمینه برنامه-ریزی تعاملی بر روی کاهش تعداد سوالات است. مرحله کلیدی برای حل molp بدست آوردن تابع مطلوبیت تصمیم گیرنده (mauf)1 است، که یک روش دسترسی به آن استفاده از شبکه های عصبی مصنوعی (ann) است. مهم ترین مزیت ann این است که هیچ گونه فرض اولیه ای در مورد ساختار تابع مطلوبیت و خصوصیات آن ندارد. در این روش مهم ترین مساله چگونگی بدست آوردن اطلاعات اولویت تصمیم گیرنده و استفاده از آن برای یافتن بهترین جواب است. این اطلاعات که نقش عمده ای در مسائل بهینه سازی چند هدفه دارند می تواند به شکل های مختلفی در مراحل مختلف فرایند حل ارائه شوند. برای ارائه این اطلاعات dm باید گزینه های مختلفی را تست کند. یکی از روش های قابل استفاده در این مورد dnn2 است که هدف آن کاهش تعداد ارزیابی ها با حفظ قابلیت اطمینان و پیدا کردن تعداد داده های آموزشی بیشتر است. در این رویکرد بدون هیچ گونه پیش فرضی در مورد mauf، فرض می شود که mauf وجود دارد وdm با پاسخ دادن به تعداد سوالات کمتری در رابطه با مقایسات زوجی می تواند به mauf دست یابد]7[. در این تحقیق سعی بر آن است که روش تعاملی imolpو روش مبتنی بر شبکه های عصبی از نظر کارایی باهم مقایسه شوند. با توجه به اینکه با تصمیم گیرنده ها و درنتیجه رفتار های مختلف روبرو هستیم، در درجه اول باید بتوانیم رفتار dm را شبیه سازی کنیم و سپس با استفاده ازمعیارهای مقایسه، کارایی دو روش را مقایسه کنیم.