ابتدا روش درون یابی کریجینگ را با دو بیان متفاوت معرفی می کنیم و به تعریف معنای درون یابی و کریجینگ می پردازیم. در بیان اول کریجینگ به سه روش: 1-کریجینگ ساده 2-کریجینگ معمولی و 3-کریجینگ با روند تقسیم می شود و در بیان دوم الگوریتم کریجینگ توضیح داده می شود. روش سطح پاسخ روشی برای بهینه سازی طرح آزمایش ها است. دو مفهوم اساسی در روش سطح پاسخ بررسی می شود. اول انتخاب مدل تقریبی و دوم، طرح آزمایش که در آن پاسخ ارزیابی خواهد شد. طرح آزمایش ها به 1-روش آدوز-اگلیز 2-طرح مکعب لاتین 3- روش تاگوچی برای طرح آزمایش 4-طرح d- بهینگی 5-طرح مرکب مرکزی 6- طرح کامل فاکتوریل تقسیم می شود. توضیحاتی مختصر راجع به شبکه عصبی، تاریخچه و مقایسه آن با شبکه عصبی زیستی در فصل دوم داده می شود. شبکه های عصبی مصنوعی با ایده گرفتن از سیستم عصبی بدن انسان فرضیه هایی در مورد عملکرد نورون ها ارائه می کند. در فصل سوم مقایسه مختصری بین روش سطح پاسخ، شبکه عصبی و کریجینگ صورت گرفته و هدف یافتن فرمولی برای کم کردن هزینه ی کریجینگ در داده های نمونه ای با تعداد زیاد می باشد. روش سطح پاسخ به منظور مسئله ی بهینه سازی با تعداد کمی از متغیرهای طرح است و فضای جواب های آن پیچیده نیست اما دارای مشکلاتی مانند نیاز به فرض تقریبی تابع پایه و به کار بردن روش سطح پاسخ بر اساس برنامه ریزی آزمایشی برای مسئله با بسیاری از متغیرهای طرح است. شبکه عصبی برای بهینه سازی تقریبی برای حل مسایل بهینه سازی دشواراستفاده می شود. شبکه عصبی در برازش انعطاف پذیری بیشتری نسبت به روش سطح پاسخ دارد. با این حال شبکه عصبی نیز دارای برخی از مشکلات عملی مانند هزینه های محاسباتی متحمل شده برای یادگیری است. روش کریجینگ یکی از روش های برآورد در ابعاد بالا با استفاده از اطلاعات نمونه است با استفاده از تعداد زیادی از داده های نمونه ای می توان شبکه عصبی یا روش کریجینگ را به منظور برآورد تابع مختلط به کار برد. با این حال، افزایش تعداد داده های نمونه ای به طور کلی باعث هزینه ی محاسباتی بالاتر می شود. هزینه ی محاسباتی روش کریجینگ برای تعیین مدل برآورد چندان بالا نیست، با این حال،برای برآورد مقدار تابع در هر مکان، بالاتر از شبکه عصبی یا روش سطح پاسخ خواهد بود. فصل چهارم به بررسی رابطه بین مرز و خطای برآورد می پردازد و بهینه سازی ساختار پرتو را مد نظر قرار داده است.