چکیده در مدلهای بهینه سازی ریاضی، غالبا عدم قطعیت داده ها در نظر گرفته نمی شود. اما در دنیای واقعی بیشتر مسائل بهینه سازی فاقد قطعیت در داده های خود هستند که این عدم قطعیت میتواند ناشی از عوامل مختلفی از جمله خطای اندازه گیری باشند. یکی از روش های بهینه سازی در شرایط کار با داده های مبهم روش بهینه سازی استوار است. اما این روش منجر به افزایش پیچیدگی محاسباتی می گردد. در این پایان نامه روش جدیدی در بهینه سازی استوار معرفی شده که انعطاف پذیری بیشتری از لحاظ نظری و عملی از ساختار استوار کلاسیک تضمین می کند. طیف گسترده ای از مسائل بهینه سازی ریاضی مانند بهینه سازی خطی ‎ (lp) ‎، بهینه سازی درجه دوم با قیدهای درجه دوم ‎ (qcqp) ‎، بهینه سازی مخروطی کلی از جمله برنامه ریزی مخروطی مرتبه دوم ‎ (socp) ‎، بهینه سازی شبه معین ‎ (sdp) ‎ را شامل می شود. روش ارائه شده به مدلساز این اجازه را می دهد تا میزان محافظه کاری جواب استوار را بویژه برای مدلهای ‎ sdp,socp,mip,lp‎ برحسب کران های احتمالی از انحراف های قید تغییر دهد در حالیکه مسئله را همچنان انعطاف پذیر حفظ می کند. این روش پیچیدگی محاسباتی مدل اصلی را حفظ می کند.