هدف: یکی از دغدغه های مهم در رزرواسیون غذای دانشگاهی، مراجعه نکردن بسیاری از دانشجویان است که با توجه به دریافت یارانه دولتی و قیمت ارزان غذا، انبوهی از مواد غذایی هدر رفته و به ضایعات تبدیل می شود. هدف اصلی این پژوهش، جلوگیری از تولید ضایعات مواد غذایی در دانشگاه ها، به کمک پیش بینی تقاضای واقعی است. روش: برای مدل سازی و حل مسیله، از شبکه عصبی مصنوعی با تابع خطای موزونی که به کمک جست وجوی الگوی تعمیم یافته جهت دهی می شود، استفاده شد. شاخص های مجموع رزرو، روز هفته، سطح قیمت وعده، مجموع تعداد رزرو، تعداد رزرو به تفکیک مقطع تحصیلی، تعداد رزرو به تفکیک وضعیت اسکان و غذای مجاور به عنوان متغیرهای ورودی و تعداد تقاضای واقعی غذا نیز شاخص خروجی در نظر گرفته شد. یافته ها: داده های هفت سال اخیر سامانه رزرواسیون سلف مرکزی یکی از دانشگاه های بزرگ کشور که سالانه به طور متوسط پتانسیل تولید 56 هزار پرس غذای مازاد (بیش از 23 هزار تن مواد غذایی) را دارد، بررسی شد. با آموزش یک شبکه عصبی مصنوعی توام با بهینه سازی GPS، الگوریتم ترکیبی با تابع خطای موزون متناسبی به دست آمد که قادر است تولید روزانه غذای مازاد را بیش از 80درصد کاهش دهد. نتیجه گیری: با استفاده از مدل ارایه شده، می توان تقاضای واقعی را به طور دقیق تر تخمین زد. مدل پیشنهادی، ضمن معرفی شاخص های موثر بر تخمین تقاضا، قادر است که در سطوح ریسک مختلف مورد انتظار دانشگاه، تقاضاهای واقعی را برآورد کند. این رویکرد پیشگیرانه، وعده های غذایی کنترل شده را فقط به اندازه احتیاج تولید و توزیع خواهد کرد تا از ضایعات مواد غذایی یا اتلاف بودجه عمومی کشور جلوگیری شود.