Space Filling計画を作成する手法には、次のようなものがあります。
球の詰め込み
2つの計画点の間の最短距離が最大になるような計画を作成します。その結果、点は、計画領域内でできる限り広く拡散します。Space Filling計画の別例および試錘孔データで球の詰め込み計画を作成するを参照してください。
ラテン超方格法
各因子の水準を均一にするという制約のなかで、計画点の間の最短距離が最大化になるように配置します。各因子の水準数と実験の数が同じです。この手法では、一様分布を模倣した計画が作成されます。ラテン超方格法は、球の詰め込みと一様計画の中間にあたります。ラテン超方格計画の作成例を参照してください。
一様
計画点の分布と理論上の一様分布とのディスクレパンシが最小になるような計画を作成します。一様計画の作成例を参照してください。
メモ: この手法による計画は、未知の関数の積分を簡単かつ精確に推定する上で役立ちます。その積分値に対する推定値は、実験で観測された応答の平均として計算できます。
最小ポテンシャル
球面内に点を拡散した計画を作成します。最小ポテンシャル計画は、球対称で、ほぼ直交で、間隔が一様です。最小ポテンシャル計画の例を参照してください。
最大エントロピー
計画におけるShannonの情報量が最大になるような計画を作成します。制約を指定した高速柔軟充填計画の例を参照してください。
Gauss過程 IMSE最適計画
Gauss過程モデルの平均2乗誤差を実験領域で積分した値が最小になるような計画を作成します。JMPのGauss過程IMSE最適計画では、クリギングモデルに似た相関構造をもつモデルを仮定します。Jones and Johnson（2009）を参照してください。
メモ: 実験数が500以下の場合は、Gauss過程モデルがデータテーブルに保存されます。実験数が500を超えている場合は、ニューラルネットワークモデルがデータテーブルに保存されます。
高速柔軟充填計画
高速柔軟充填アルゴリズムを使って計画を作成します。このアルゴリズムは、まず指定の計画領域内に多数のランダムな点を生成します。そして、これらの点に対して、線形制約や、許可しない因子の組み合わせといった制約を課します。次に、この多数の点を、高速Ward法によるクラスター分析によって、指定された実験回数を個数としたクラスターにまとめます。最後に、デフォルトの［MaxPro］（最大射影法; maximum projection）またはオプションの［重心］を最適化基準として、最終的な計画点を求めます。制約を指定した高速柔軟充填計画の例および制約を指定した高速柔軟充填計画の例を参照してください。
メモ: カテゴリカル因子がある場合や、因子の制約がある場合には、高速柔軟充填計画しか使えません。