Hoewel simulaties frequent worden gebruikt voor productontwikkeling is er vaak erg veel rekenkracht per simulatie. Dit is ernstig nadeel wanneer een applicatie veel simulaties vereist, zoals bijvoorbeeld wanneer het gebruik van de simulatie optimalisatie van een design tot doel heeft. Dit nadeel kan worden vermeden door respons van de simulatie als functie van de input te approximeren met een model gebaseerd op een wiskundige uitdrukking die veel minder computationele vereisten heeft. Een data-gebaseerde approximatie, of surrogaat model, kan bekomen door intelligent een beperkt aantal simulaties uit te voeren en vervolgens gebruik te maken van machine learning technieken. Binnen deze context focust dit onderzoek op de keuze van de simulaties om beoogde doelen zoals te bereiken met behulp van surrogaat modellen. Zo wordt de computationele complexiteit van een algoritme dat niet-lineaire simulatie respons detecteert en verder exploreert significant verbeterd, en een nieuwe formulering afgeleid voor een algoritme dat simulaties kiest in functie van optimalisatie. Verder wordt ook approximatie van simulaties met slechts een aantal mogelijke uitkomsten onderzocht, in tegenstelling tot de traditionele veronderstelling dat de response zich in binnen een continu interval bevindt.