هدف از طرح آزمایش ها، شناسایی کردن عامل های موثر از بین عامل های رقیب زیادی است که می توانند بر کیفیت متغیر پاسخ موثر باشند. در آزمایش های پرهزینه، ناگزیر به انجام آزمایش با تعداد اجرای محدود هستیم (تعداد اجراها کمتر از تعداد عامل ها باشد). در نتیجه دیگر نمی توان از روش های متداول طرح آزمایش ها از جمله طرح عاملی یا طرح های کسری استفاده نمود. یک راهکار مناسب برای چنین مواقعی به کارگیری طرح های اَبَر اشباع شده (ssd) است. طرح های ابر اشباع شده شامل n اجرا و m عامل (n<m) می باشند و با فرض برقراری اصل تُنُک بودن اثرات ساخته می شوند. اصل تنک بودن اثرات به این معنی است که از میان عامل هایی که تعدادشان زیاد است تنها تعداد کمی از آن ها به طور همزمان روی متغیر پاسخ واقعاً موثر هستند و بقیه عامل ها تأثیر معنی داری ندارند. با فرض وجود f عامل موثر از میان m عامل، به منظور برآورد اثرات اصلی مربوط به عامل های موثر و انتخاب طرح مناسب، برقراری شرط n>f کفایت می کند. در ساختن یک طرح ابراشباع شده، هدف یافتن ماتریس طرح x با n اجرا و m عامل به گونه ای است که پس از شناسایی f عامل اصلی موثر، مدلی با ویژگی های مطلوب به دست آید. برای ارزیابی بهینه بودن یک طرح اَبَر اشباع شده، تعیین تعداد سطوح عامل ها و پیش بینی تعداد عامل های موثر لازم می باشد. با فرض وجود دو عامل موثر و تعیین دو سطح برای عامل های مختلف، از میان ملاک های گوناگون برای سنجش بهینه بودن یک طرح ابر اشباع شده، ملاک e(s^2) مناسب تر می باشد. برای ساختن طرح های ابراشباع شده بهینه، می توان از ماتریس وقوع طرح های هادامارد، طرح های بلوکی ناکامل متعادل، طرح های بلوکی ناکامل دوری و طرح های گراف منظم، متناسب با تعداد اجراهای آزمایش، استفاده نمود. همچنین از دیگر روش های ساختن طرح های ابر اشباع شده می توان به روش های الگوریتمی اشاره کرد. الگوریتم هایی از جمله الگوریتم های تعویض، تبادل، ژنتیک و سخت سازی شبیه سازی شده برای ساختن طرح های ابراشباع شده کارایی دارند. در الگوریتم تعویض، تغییرات به صورت جایگزینی سطر یا ستونی از ماتریس با سطر یا ستونی که در ماتریس وجود ندارد، انجام می شود. در الگوریتم های تبادل درایه هایی از سطر یا ستون جابجا شده و یا سطرها و ستون ها جایگشت داده می شوند. الگوریتم ژنتیک با استفاده از جامعه ای از پاسخ های ممکن مسأله و به کارگیری مجموعه ای از عملگرهای تصادفی به طور متناوب منجر به مطلوبیت بیشتر پاسخ ها براساس تابع هدف می گردد. در الگوریتم سخت سازی شبیه سازی شده در ابتدا یک طرح اولیه در نظر گرفته می شود و میزان بهینگی آن محاسبه می گردد. انتخاب طرح بعدی به طور تصادفی از میان طرح هایی که در همسایگی طرح موجود هستند، متناسب با مقدار بهینگی با احتمال کمتر از یک، صورت می گیرد. این مراحل تا رسیدن به طرحی بهینه ادامه می یابد. در این پایان نامه انواع روش های ساختن طرح های ابراشباع شده بهینه به طور جامع مورد بررسی قرار می گیرد.