Beim klassischen planaren mehrkriteriellen Standortproblem wird ein neuer Standort in der Ebene gesucht, 
der die Entfernungen zu einer gegebenen Anzahl von existierenden Standorten gleichzeitig 
(im Sinne der mehrkriteriellen Optimierung) minimiert. 
Im Vortrag betrachten wir mehrkriterielle Standortprobleme mit Unsicherheiten in den Daten. 
Für die Abstandsmessung verwenden wir die Manhattan-Norm. Die Unsicherheiten sind dabei in der 
Zielfunktion des Standortproblems gegeben (Unsicherheiten in den Koordinaten der Standorte). 
In der Modellierung verwenden wir aktuell entwickelte Konzepte der robusten mehrkriteriellen Optimierung.  
Speziell fokussieren wir uns auf die von Ehrgott, Ide und Schöbel (2014) eingeführte Min-Max robuste Effizienz.