Optimalisatie speelt een cruciale rol in wetenschap en techniek, met toepassingen variërend van procesoptimalisatie tot het ontwerpen van efficiënte elektrische motoren. Echter, optimalisatie gaat vaak gepaard met hoge rekenkundige kosten, vooral bij het evalueren van complexe ontwerpen. Dit leidt tot een beperkte dataset en vormt een aanzienlijke uitdaging. Een oplossing voor dit probleem is surrogaat-gebaseerde optimalisatie, waarbij surrogaatmodellen, met name Bayesian machine learning methoden, worden gebruikt om dure doelstellingen efficiënt te benaderen. Bayesian Optimization (BO) is een belangrijke techniek die deze surrogaatmodellen inzet om optimale oplossingen te vinden. Deze scriptie introduceert een bi-objectieve hypervolume-gebaseerde BO-methode. Deze methode richt zich op zowel goedkope als dure doelstellingen, biedt nieuwe verwervingsfuncties en demonstreert haar effectiviteit bij real-world engineering design problemen. Verder onderzoekt deze scriptie scenario's met meerdere goedkope-dure doelstellingen en beperkingen. In bepaalde optimalisatiescenario's is parallelle evaluatie mogelijk, waarbij gelijktijdig meerdere parameterconfiguraties worden beoordeeld. Deze scriptie onderzoekt ook deze scenario's en benadrukt batchcondities zoals vast input-batchen, minimum variantie input-batchen en min-max input-batchen. Deze condities worden onderzocht in de context van het optimaliseren van lijmverbindingen en hebben het potentieel om operationele kosten te verlagen.