مبحث شبیه سازی کامپیوتری و کاربرد طراحی آزمایش ها و روشهای تحلیل خروجی شبیه سازی در چندین دهه اخیر همواره مورد توجه دانشمندان و محققان مختلف قرار گرفته است. اهمیت این مباحث همواره رشد یافته و با پیشرفت آن ها ابزارهای قدرتمندی به جامعه علم ارائه شده است. شبیه سازی ابزاری برای توصیف و تحلیل رفتار یک سیستم با گذشت زمان و پاسخ به سوالاتی در مورد تغییرات سیستم است. یکی از ابزارهای قوی در این حوزه متا مدل ها هستند که قدرت ساده سازی و سرعت بالایی به الگوریتم های بهینه سازی می بخشند. کاربرد این ابزار در مواقعی که تجارب شبیه سازی هزینه بر است اهمیت می یابد. بر اثر بکار گیری متا مدل ها، نیاز به نمونه گیری مستقیم از طریق تجارب مستقیم شبیه سازی کاهش یافته و لذا بررسی تعداد نقاط لازم برای شبیه سازی مستقیم و رسیدن به جواب بهینه کاهش می یابد. پروژه حاضر با هدف ارائه الگوریتمی متا مدل محور برای بهینه سازی شبیه-سازی، انجام شده است. الگوریتم پیشنهادی از یک روش متا مدل محور بر مبنای متامدل کرایکینگ استفاده می کند. متا مدل مورد نظر در روند بهینه سازی مساله به طور موقت جانشین مدل شبیه سازی می شود. در ارائه این الگوریتم از مفاهیم الگوریتم انبوه ذرات، الگوریتم ژنتیک و رویکرد متا مدل کرایگینگ و نمونه برداری توسط طرح آزمایش متوالی بهره گرفته شده است. به منظور تحلیل و اندازه-گیری کارایی و بهره وری الگوریتم، چند مسئله انتخاب شده است و متامدل موردنظر، هنگامیکه از الگوریتم انبوه ذرات و الگوریتم ژنتیک استفاده شده است و همچنین بدون استفاده از این دو الگوریتم، حل گردیده است. تجربه ی محاسبات نشانگر آن است که در تمامی مسائل استفاده از روش های بهینه-سازی انبوه ذرات و الگوریتم ژنتیک با متامدل کرایکینگ، جواب های بهینه بهتری به دست می دهد، نسبت به زمانیکه از این دو الگوریتم بهینه سازی استفاده نمی شود.