做实验像安排有限的体检名额：可选剂量、温度很多，但预算只够测几次，关键是把次数分给最有信息量的条件。R 包 cvxoptdes 把这类“最优实验设计”——在实验前选择条件和次数——与在线响应优化放进同一套接口，覆盖线性、广义线性、加性、非线性及随机截距混合模型。
它最实用的一步，是先算“理想比例”，再落成真实排期。工具先用凸优化——不会困在“局部最好”陷阱的一类优化——为候选条件分配连续权重，再通过点交换算法转成整数实验次数；带正交约束时，则用混合整数规划处理。团队还可加入成本、分层和正交等限制，并用惩罚项在“多探索未知区域”和“多测试当前看好的条件”之间调节，随结果到来继续追加实验。
作者称，以往往往要组合多个软件包才能覆盖这些模型和设计类型；cvxoptdes则全部采用开源求解器。不过论文也指出，面对特别大的设计矩阵，其凸优化方案可能不如部分专用算法高效。