دردنیای واقعی پیرامون ما همه مسائل بهینه سازی مشتمل بر بهینه سازی همزمان چندین موضوع است که با یکدیگر در رقابت می باشند. به عنوان مثال معمولا در طراحی بهینه سازه های اسکلتی، همزمان با کمینه کردن وزن سازه به دنبال اکسترمم نمودن تغییر مکان گرهی و تنش ایجاد شده در اعضا و رساندن آنها به مقادیر مجاز هستیم. این اهداف با یکدیگر در تناقض بوده و کاهش وزن سازه منجر به افزایش تنش ها و تغییر مکان های گرهی می شود. با توجه به وفور این مسائل در دنیای واقعی، تا کنون روشهای گوناگونی برای بهینه سازی چند هدفی مورد بررسی قرار گرفته است. از مهمترین این روشها که بر پایه الگوریتم ژنتیک بنا نهاده شده است، الگوریتم ژنتیک چندهدفه با مرتب سازی نامغلوب (nsga-ii) برای محاسبه منحنی پارتو می باشد، که در این پروژه برای محاسبه منحنی پارتو خرپا مورد استفاده قرار گرفته است. در این روش سطوح مقاطع به عنوان متغییرهای طراحی در نظر گرفته شده است، بنابراین بهینه سازی اندازه انجام می گیرد. همچنین از آنجائیکه زمان اجرای عملیات بهینه سازی با الگوریتم ژنتیک به واسطه آنالیز های مکرر، بسیار طولانی و زمان بر بوده، برای بررسی کاهش زمان از شبکه های هوشمند مصنوعی نیز جهت تقریب سازی برنامه استفاده شده است و از میان این شبکه ها، شبکه عصبی پرسپترون چند لایه (mlp) که ارجحیت آن به خاطر کارآیی وسهولت استفاده، نسبت به توابع دیگر محقق گردیده، بکار گرفته شده است و منحنی پارتو محاسبه گردیده است. در انتهای این تحقیق جهت بررسی و ارزیابی روش ها، چند مسئله مورد بهینه سازی قرار گرفته است و سپس با استفاده از شبکه عصبی مدل سازی شده و خطای ایجاد شده تا حد امکان مینیمم شده که نتایج بدست آمده، حاکی از کارایی و قابلیت کاربرد عملی این روش در محاسبه منحنی پارتو دارد ولی کاهش زمان بهینه سازی صورت نگرفته و در مواردی حتی وقت بیشتری صرف شده است که مناسب نمی باشد.