مسئله طراحی محصول، یک مسئله بهینه سازی چند هدفه است که تیم توسعه خط تولید با آن روبرو می شوند و در آن به دنبال پیدا کردن محصولی هستند که، اهدافی همچون قیمت تمام شده محصول، ترجیحات مشتری ، سهم بازار و زمان تولید و ... را درحد بهینه خود تامین کند . مسئله طراحی محصول یک مسئله بهینه سازی در فضای تصمیم گیری گسسته است، این مسائل با الگوریتم کلونی مورچه بهتر حل می شوند، تاکنون کارهای زیادی با الگوریتم کلونی مورچه برای تولید مرز کارایی در مسائل بهینه سازی چند هدفه انجام شده است که برای حل مسائل با دو یا سه تابع هدف، موثر است اما نمی تواند یک تخمین خوب، از مرز کارایی در زمان و جمعیت اولیه کم در فضای اهداف با ابعاد بالا بوجود آورد. ما یک روش ترکیبی الگوریتم بهینه سازی کلونی مورچه و تحلیل پوششی داده برای حل مسائل بهینه سازی چند هدفه ارائه می دهیم. در این روش ابتدا از الگوریتم کلونی مورچه برای یافتن راه حل های مسئله استفاده می کنیم، سپس در هرمرحله راه حل های بهینه را با روش تحلیل پوششی داده پیدا کرده، مسیر مربوط به این راه حل ها را بروز رسانی می کنیم و به مرحله بعد می رویم. در این روش هر کدام از جواب های مسئله را به عنوان یک واحد تصمیم گیری در روش تحلیل پوششی داده در نظر گرفتیم و به این دلیل که در روش تحلیل پوششی داده واحد های کارا، واحد هایی هستند که کمترین ورودی را مصرف و بیشترین خروجی را تولید می کنند، ما اهدافی را که باید کمینه شوند به عنوان ورودی های هر واحد و اهدافی که باید بیشینه شوند را به عنوان خروجی-های هر واحد در نظر گرفتیم. معیار های کارایی الگوریتم های چند هدفه را بررسی، سپس به مقایسه نتایج در دو دسته از مسائل چند هدفه می پردازیم، دسته اول مسائل با فضای اهداف با ابعاد کم و دسته دوم مسائل با فضای اهداف با ابعاد زیاد، در هر کدام از این مسائل بهبود هایی که روش جدید به وجود آورده مطرح می شود. نتایج بدست آمده نشان می دهد که این روش با توجه به در نظر گرفتن فاصله جواب ها برای یافتن جواب های کارا، بهتر عمل می کند و فاصله جبهه جواب بدست آمده تا جبهه بهینه پرتو کمتر می شود. همچنین به علت در نظر گرفتن وزن های غیر تصادفی و بر اساس قوانین تعیین وزن، از روش های براساس مجموع وزنی نیز عادلانه تر رفتار کرده و میزان شایستگی هر جواب را با توجه به سایر جواب ها و به صورت عادلانه پیدا می کند. بر خلاف روش های مجموع وزنی مدل هایی از تحلیل پوششی داده وجود دارد که می تواند در فضای اهداف غیر محدب، جواب-های موجود در فرورفتگی ها را نیز پیدا کند. روش تحلیل پوششی هیچ محدودیتی در تعداد ورودی و خروجی های هر واحد ندارد، به همین دلیل، این روش علاوه بر بهبود هایی برای حل مسائل بهینه سازی در فضای اهداف دو بعدی ، توانست تخمین خوبی از مرز کارایی در زمان و منابع محدود در فضای اهداف بالا بوجود آورد.