Voor veel wetenschappelijke (ingenieurs-)problemen is het niet praktisch om fysische experimenten rechtstreeks uit te voeren. In de plaats daarvan worden er complexe computersimulaties gebruikt, om zo de kosten te drukken of het gevaar te minimaliseren. Deze virtuele experimenten bieden wetenschappers meer flexibiliteit om fenomenen te bestuderen in gecontroleerde omstandigheden. Computersimulaties vereisen echter vaak ook een aanzienlijke investering in tijd en rekenkracht: één enkele computersimulatie kan enkele minuten, uren, dagen of zelfs weken in beslag nemen. Daarom gebruiken wetenschappers meer en meer goedkopere approximatietechnieken, of surrogaatmodellen, die het gedrag van het dure simulatie model zo goed mogelijk nabootsen. Dit werk legt de focus op het gebruik van data gebaseerde, globale surrogaatmodellen om veel voorkomende taken te versnellen zoals optimalisatie. In dit geval is een surrogaatmodel slechts een hulpmiddel om de vooropgestelde taak te voltooien met zo weinig mogelijk dure simulaties. Achteraf wordt het surrogaatmodel vaak weggegooid omdat het meestal niet accuraat genoeg is om de dure computersimulatie volledig te vervangen. Om het voordeel van surrogaatmodellering zoveel mogelijk te benutten is het nodig om het gebruik van surrogaatmodellen zoveel mogelijk te integreren in het optimalisatieproces. Optimalisatiemethoden gebaseerd op het populaire Kriging surrogaatmodel vormen de basis van deze thesis.