بسیاری از مسائل بهینه¬سازی دنیای واقعی نیاز به هدف¬های متضاد چندگانه دارند. ثابت شده است که الگوریتم¬های تکاملی یکی از بهترین بهینه سازها در حل مسائل بهینه¬سازی چندهدفه می¬باشند. در این روش¬ها هدف، یافتن مجموعه جواب¬های مغلوب نشده¬ای است که کم¬ترین فاصله را تا جبهه پرتو دارند. با این وجود اغلب این روش¬ها به حجم عظیمی از محاسبات توابع هدف نیاز دارند. در این پژوهش به منظور رفع این مشکل روشی مبتنی بر فرا-مدل در فاز جستجوی محلی الگوریتم ممتیک، به خدمت گرفته شده است. فرا-مدل¬ها تقریب ساده¬تر و ارزان تری از توابع هدف اصلی می¬باشند، و به جای توابع هدف اصلی به کار برده می¬شوند. استفاده از فرا-مدل¬ها تعداد ارزیابی توابع هدف را به مراتب کمتر نموده و موجب همگرایی زودتر در به دست آوردن راه¬حل نهایی می¬شوند. در این کار تحقیقاتی، از تئوری فازی، الگوریتم ممتیک و فرا-مدل استفاده شده است. استفاده نمودن از آن¬ها سه روش پیشنهادی برای بهینه¬سازی مسائل چندهدفه به دنبال داشته است. از میان روش¬های ارائه شده روش¬های اول و دوم به ساخت مجموعه¬های آموزشی مختلف برای یادگیری فرا-مدل می¬پردازند؛ و در روش پیشنهادی سوم سعی شده تعداد ارزیابی¬های توابع هدف در الگوریتم nsgsa کاهش داده شود. این کار با به کارگیری فرا-مدل در فاز جستجوی محلی الگوریتم ممتیک صورت گرفته است. همچنین در این روش فرا-مدل به صورت کلی و محلی نیز به کار برده شده است. نتایج بدست آمده از توابع محک استاندارد و مقایسه با الگوریتم¬های مطرح شده در این زمینه، نشان¬دهنده مناسب بودن روش¬های پیشنهادی در حل بهینه¬سازی مسائل چند هدفه می¬باشد.