چکیده: مسائل بهینه سازی چندهدفه شامل بیشاز یکتابع هدف هستند که به طور هم زمان باید بهینه شوند در این مسائل، به جای داشتن یک جواب یکتا، مجموعه ای از جواب های کارا که مرز پارتو را تشکیل می دهند، به عنوان خروجی مطرح می شوند. این پژوهش به ارائه مدل های شبکه عصبی و الگوریتم هایی نوین برای حل مؤثر مسائل چندهدفه خطی، محدب و غیرمحدب می پردازد. ،(KKT) در گام نخست، برای مسائل خطی، با بهره گیری از شرایط بهینگی کروش–کان–تاکر مدل های شبکه عصبی طراحی شده اند که بدون تبدیل مسائل چندهدفه به تک هدفه، به طور مستقیم نقاط کارای مسئله را استخراج می کنند. پایداری و همگرایی سراسری مدل ها با استفاده از روش لیاپانوف نیز با تحلیل ریاضی اثبات شده است. در ادامه، برای مسائل غیرمحدب، دو چارچوب الگوریتمی توسعه یافته است: ۱) کاهش ناحیه شدنی و استفاده از روش شاخه و کران همراه با ساخت مسائل محدب معادل و حل آن ها با شبکه عصبی، ۲) بازنویسی مسئله غیرمحدب به شکل مسئله محدب از طریق تبدیل اکسپولار و حل آن با شبکه عصبی پیشنهادی. علاوه بر این، در هر بخش الگوریتم هایی اختصاصی جهت تولید نقاط با توزیع یکنواخت روی مرز پارتو ارائه شده است که باعث بهبود یکنواختی، پوشش و دقت مرز می شوند. عملکرد مدل ها و الگوریتم ها با استفاده از مجموعه ای از مثال های استاندارد ارزیابی و با شاخص هایی نظیر خلوص، یکنواختی، پوشش و فاصله با سایر روش ها مقایسه شده است. نتایج ب هدست آمده نشان می دهد رویکرد پیشنهادی از نظر دقت و کارایی بر روش های مرسوم برتری دارد