کاتالیز پدیده ای بسیار پیچیده است و عملکرد کاتالیست ممکن است تحت تاثیر تعداد زیادی فاکتور قرار بگیرد. طراحی یک کاتالیست با عملکرد بالا با استفاده از روش های سنتی کاری وقت گیر و هزینه بر است. با توسعه تکنولوژی اطلاعات و تئوری های ریاضی، طراحی کاتالیست ها به کمک کامپیوتر یکی از روش های جایگزین و موثر می باشد. شبکه عصبی والگوریتم های ژنتیکی از لحاظ درک آسان و ساختار انعطاف پذیر برای این مورد مناسب به نظر می رسند. بطوریکه در چند سال اخیر به میزان زیادی از آن در طراحی کاتالیست برای سیستم های مختلف استفاده شده است. در این کار پژوهشی، مدلسازی و بهینه سازی فرایند تبدیل متانول به اولفین ها انجام پذیرفت. بدین منظور در ابتدا عوامل موثر در فرایند کاتالیستی تبدیل متانول به اولفین (mto) بررسی شدند و درصد وزنی فلز افزوده شده به ساختار کاتالیست، دمای کلسیناسیون کاتالیست، زمان کلسیناسیون کاتالیست و دمای انجام واکنش بعنوان متغییرهای طراحی کاتالیست انتخاب گردیدند. سپس با استفاده از روش پاسخ رویه، محدوده مناسب برای این متغییرها تعیین گردید. در ادامه کاتالیست های آزمایشی طراحی، تهیه و تست شدند. در آخر با استفاده از داده های آزمایش جمع آوری شده، مدلسازی و بهینه سازی فرایند توسط شبکه عصبی و ژنتیک الگوریتم انجام گرفت. مدلسازی و بهینه سازی داده های آزمایشی، کاتالیست co-sapo-34 را بعنوان کاتالیست بهینه با بیشترین انتخاب پذیری معرفی کرد. کاتالیست بهینه پیشنهادی تهیه و در سامانه آزمایشی تست گردید. همخوانی بالا میان انتخاب پذیری پیشنهادی توسط مدل و انتخاب پذیری تجربی بدست آمده، بیانگر توانایی بالای مدل بدست آمده است.