De afgelopen drie decennia heeft het optimalizeren van een ingenieursontwerp groot voordeel gehaald uit evolutionaire multi-objective optimalisatiealgoritmes. Hoewel evolutionaire algoritmen bruikbaar zijn voor de meeste toepassingen, zijn zij niet geschikt voor de optimalisatie van computationeel dure problemen. Dit is te wijten aan het feit dat ze doorgaans een groot aantal evaluaties van de doelfunctie vergen om te convergeren. Surrogaatmodellering en surrogaat-gebaseerde optimalisatie werden ontwikkeld als levensvatbare alternatieven die tot doel hebben het aantal functie evaluaties die nodig zijn voor het optimalisatieproces verder te minimaliseren. Met behulp van een ontwerp van experimenten (DoE) of bemonsteringsalgoritme bouwt men een set van trainingsgegevens door de tijdrovende doelfunctie voor een aantal zorgvuldig gekozen waarden van de parameters te evalueren. Het surrogaat model kan vervolgens gebruikt worden als vervanging van de doelfunctie. Surrogaat-gebaseerde optimalisatie volgt een andere benadering waarbij men het optimalisatieprobleem aanpakt met behulp van een modelgedreven bemonste-ringsstrategie. Het bemonsteringsalgoritme kan gebruik maken van informatie die verkregen wordt uit het een surrogaat-model, teneinde op iteratieve wijze monsters te selecteren die waarschijnlijk zullen leiden tot het optimum. Het bemonsteringsalgoritme vormt dus de ruggengraat van zowel surrogaat-modellering als surrogaat-gebaseerde optimalisatie. Dit proefschrift onderzoekt verschillende DoE algoritmen die toegepast kunnen worden in optimalisatieproblemen in ingenieursontwerp.