Complexe simulatiemodellen zijn populair om experimenten uit te voeren op computers. Heel nauwkeurige simulatiemodellen zijn echter computationeel heel duur. Vele standaardtaken vereisen vele simulaties waardoor ze te duur zijn, bv., optimalisatie, prototyping, en het verkennen van de ontwerpruimte. Metamodellen zijn data gedreven approximaties die het gedrag van het simulatiemodel zo nauwkeurig mogelijk nabootsen, maar veel goedkoper om uit te rekenen. Optimalisatie met hulp van metamodellen is een populaire aanpak om sneller een optimale oplossing te bekomen. Toch blijft multi-objectieve optimalisatie zeer duur omdat het karaktiseren van het Pareto front vele evaluaties nodig heeft, terwijl de expert eigenlijk enkel geïnteresseerd is in een klein deel van het front. De gekozen oplossing hangt af van de voorkeuren van de expert. Het doel van dit project is om de voorkeuren van de expert in rekening te nemen en zo te schalen naar veel objectieven. De belangrijkste kenmerken van dit project zijn: 1) Het interactief leren van de voorkeuren van de expert: Voorkeuren kunnen bekomen worden door te interageren met de expert tijdens het optimalisatieprocess. Op deze manieren convergeren we naar de beste oplossing(en) voor de expert op een computationeel efficiënt manier. 2) Onvolmaakte kennis: De voorkeuren hebben een complexe structuur met ruis wegens cognitieve overbelasting, en ongewenste vooroordelen van de expert.