در بیشتر مسائل صنعتی نیازمند یافتن بهترین ترکیب عوامل کنترلی برای بهینه سازی همزمان چندین متغیر پاسخ که اکثراً با یکدیگر در تضاد می باشند، هستیم. روش معمول برای حل اینگونه مسائل استفاده از رگرسیون چندجمله ای برای شناسایی روابط بین عوامل کنترلی و متغیرهای پاسخ است، در حالیکه شبکه عصبی مصنوعی (ann) در حالاتی که این روابط پیچیده باشد قابلیت مناسبتری از خود نشان می دهند. عملکرد شبکه عصبی مصنوعی به شدت تحت تأثیر اندازه و پارامترهای انتخاب شده برای آموزش آن می باشد. بنابراین انتخاب ساختار بهینه شبکه عصبی مصنوعی از اهمیت ویژه ای برخوردار است. در این پژوهش رویکردی مبتنی بر طرح مرکب مرکزی (ccd) و الگوریتم ژنتیک (ga) برای تنظیم پارامترهای شبکه عصبی مصنوعی جهت عملکرد بهتر آن در شناسایی روابط بین متغیرهای پاسخ و عوامل کنترلی ارائه شده است. در مسائل چند پاسخه، برای تصمیم گیرنده ارائه جواب های غیر مسلط (nds) مطلوب تر از ارائه صرفاً جواب مرجح می باشد. چرا که از یک طرف گزینه های بیشتری که نسبت به یکدیگر غیرمسلط هستند، پیش روی تصمیم گیر جهت انتخاب قرار دارد و از سوی دیگر جواب بهینه حاصل از سایر رویکردها خود یکی از جواب های غیر مسلط بدست آمده خواهد بود. در این پایان نامه، بر خلاف حالت های بکار برده شده، متغیرهای پاسخ به عنوان ورودی و عوامل کنترلی به عنوان خروجی شبکه عصبی مصنوعی در نظر گرفته شده اند تا با ترکیب شبکه عصبی و الگوریتم ژنتیک بتوان ترکیبات غیرمسلط کارایی در مسأله چندپاسخه ارائه داد. قابلیت روش ارائه شده در قالب مثال عددی بیان شده است که نشان دهنده ی کارایی روش پیشنهادی نسبت به سایر رویکردهای موجود می باشد.