在SLM中，我们可以将工程目标置入工作系统，让它成为审批标准的一部分，譬如引入TDM，使得虚拟试验数据与物理试验数据建立关联，同时也使得仿真分析直接贡献于对设计方案的评价。同样的道理，多个方案的对比也成为可能。
  不仅如此，SLM还支持多学科的优化，使得寻找更优的设计方案成为可能，也使得对多个性能特征之间的平衡取舍更为科学，更为可靠。
  下面就简要介绍SLM中与决策支持相关的概念。
工程目标

  大部分成功的企业都将“根据目标来设计”或“设计意向”的原理和并到开发过程当中去。仿真分析是这一步骤的核心，它保证产品的性能满足市场和设计的要 求。在此基础上，借助SLM，仿真分析还可以提供优化设计方案的功能。SLM是基于ENOVIA平台的，ENOVIA作为PLM系统为管理和跟踪性能要求 提供了非常优秀的解决方案。通过SLM，这一优势得到放大和扩展。

性能特征
  性能特征是指设计方案与工程的吻合程度。传统上，企业有很多方式来校验设计方案的性能，如物理实验、经验公式等等。仿真分析作为验证产品性能的重要工 具，也需要与物理试验等进行对照。SLM的解决方案就提供这一功能，使得产品的性能特征以及将这些特征与工艺、仿真和工程目标等之间的联系都得到一致的管 理。
多学科和多目标优化
  要企业的仿真活动往往涉及诸多学科、诸多分析工具、诸多性能目标。要做决策支持，必然涉及到多学科和多目标的优化。
  著名的优化软件供应商Engineous加入SIMULIA后，将誉满全球的Lsight软件及相关技术集成到了SLM平台中，完全实现了在仿真生命周期管理过程中进行多学科优化的能力。

  与优化密切相关的一个概念，是可靠度。对于产品研发来说，优化的最终目标的往往在于节约成本。从数学上来说，最优的结果往往处于可行域的边缘，在实际生产中，这样的结果意味着产品可靠度下降。
  将可靠度作为一个因子计入优化目标，就产生了一个新的方法：质量工程。近年来，质量工程方法的长足发展使设计人员可以通过随机模型和概率分析来处理不 确定性和随机性。当这些技术在优化设计的框架下进行运用时，可以搜寻不仅理论上可行，而且实际上（存在随机波动）也同样可行的设计方案。

  SLM目前包括五种质量工程设计方法。他们通过解决工程设计的不确定性或随机性问题来达到提高产品或工程质量的目标。这些方法包括：蒙特卡罗分析，可靠性分析，基于可靠性的优化设计，田口（Taguchi）稳健性设计，以及六西格玛设计。
SLM系统支持一览
  SLM采用开放式的IT架构，支持各种主流的数据库和网络应用，可以快速的集成各种软件，并可以方便地实现与企业现有PDM系统的连接。