در بسیاری از کاربردها، تابع هزینه دارای چندین هدف است که اغلب از لحاظ زمانی با یکدیگر در تعارضند. بیائید به مثالی از یک مسئله‌ی بهینه‌سازی چند منظوره[1] نگاهی بیاندازیم. فرض کنید یک زوج در حال جستجوی یک مکان ایده‌آل برای زندگی هستند. یکی از آن‌ها اهل تهران و دیگری اهل اصفهان است؛ بنابراین، آن‌ها دارای نظرات نسبتا متفاوتی راجع به ایده‌آل بودن هستند. دو تابع هزینه به طور تقریبی برای آنها تعریف می شود.

واضح است که این زوج با یکدیگر اختلاف نظر دارند. آن‌ها توافق معقولانه‌ای بر روی هزینه‌ی زندگی داشته اما در مورد متغیرهای دیگر نظرات بسیار متفاوتی دارند. اهمیتی که هر کدام از آن‌ها برای هر متغیر قائل‌اند، به وسیله‌ی اندازه و علامت توان متغیر نشان داده می شود.

هیچ بهترین راه‌حل یکتایی برای دو تابع این زوج وجود ندارد. رسم نمودار  بر حسب  برای مقادیر مختلف  منجر به شکل زیر می‌شود. نقطه‌ای که حداقل هر تابع مستقل است (min{ },min{ )، در خارج از ناحیه امکان‌پذیر و عملی در نمودار قرار دارد. مجموعه‌ی نقاطی که پایین ناحیه‌ی عملی را محدود می‌کند، به عنوان نمای پارتو[1] شناخته می‌شود. یک خط نقاط روی نمای پارتو را در شکل زیر به هم وصل می‌کند. در دو زیربخش بعدی، در مورد دو روش برای MOO بحث خواهیم کرد: توابع هزینه‌ی وزن‌دهی شده و یافتن نمای پارتو.
آپلود عكس , آپلود رايگان عكس , آپلود تصوير , آپلود فايل , آپلود سنتر ,آپلود عکس برای وبلاگ , فضای  رایگان برای آپلود عکس , آپلود عکس با لینک مستقیم , آپلود عکس رایگان, free image upload center , آپلود رایگان فیلم , آپلود عکس برای بلاگفا


[1] . Pareto Front


[1] . Multi-Objective Optimization (MOO)