Nel contesto dell'ottimizzazione multi-obiettivo, spesso il problema viene ricondotto al caso di una singola funzione, combinazione lineare degli obiettivi originali. Questo approccio, nonostante i suoi limiti nella ricerca di soluzioni, viene spesso prediletto dagli utenti per la facile interpretazione. Al contrario i metodi di ottimizzazione multi-obiettivo (MOO), per quanto specificatamente progettati per questi problemi, più raramente vengono utilizzati perché l'utente trova spesso troppo laboriosa l'identificazione delle soluzioni per lui migliori all'interno della "popolazione" di ottimi Paretiani. L'obiettivo di questa tesi è quello di sviluppare metodologie per analizzare le caratteristiche degli elementi di un insieme di ottimi Paretiani per guidare un utente nella lettura dei risultati di un algoritmo di MOO ed intervenire per raffinare, eventualmente, i risultati.