استفاده از روش های مرسوم ریاضیاتی در تخمین توابع، برای سیستم هایی که دارای عدم قطعیت هستند مناسب نیست. سیستم های فازی به طور گسترده برای تخمین توابع استفاده شده اند، هرچندکه دارای مشکلاتی نظیر عدم وجود روش استانداردی برای تبدیل دانش یا خبرگی بشر به پایگاه قوانین و نیاز به روش های موثری برای میزانسازی توابع عضویت می باشند. استفاده از شبکه های عصبی در تخمین توابع دارای مشکلاتی نظیر انتخاب معماری شبکه و الگوریتم یادگیری است. همچنین شبکه های عصبی جعبه های سیاهی هستند که نمی توانند در قالب قوانین تعبیر شوند. زیاد بودن تعداد واحدهای مخفی و طولانی بودن زمان هر گام آموزشی شبکه در مرحله یادگیری، از دیگر مشکلات آن است. علیرغم نیرومندی برخی روش های تکاملی برای تخمین توابع، نتایج بدست آمده گویای زمان بالای اجرا در این روش می باشد. درخت مدل خطی محلی دارای مزایای سیستم فازی نظیر استفاده از دانش بشری به زبان و درک انسان است که مشکلات شبکه های عصبی را تا حد زیادی رفع کرده است. از آن جمله اینست که این مدل دارای کمترین تعداد نرون ها برای رسیدن به خطای مشخصی است. همچنین مشکلات انتخاب معماری مناسب، وجود تعداد زیاد واحدهای مخفی، و طولانی بودن زمان در هر گام آموزشی را نیز رفع کرده است. در این پایان نامه قصد داریم با ترکیب روش های تکاملی با این مدل و استفاده از توانایی این روش ها در یافتن جواب بهینه، تعداد نرون ها را کاهش دهیم و سیستم همه منظوره ای با حجم محاسبات کم و زمان اجرای پایین جهت تخمین توابع معرفی کنیم.