Dakota（Design Analysis Kit for Optimization and Terascale Applications）是由 Sandia 国家实验室开发的一套开源软件框架，专注于 优化（Optimization）、不确定性量化（Uncertainty Quantification, UQ）、参数化分析（Parametric Analysis） 以及 模型校准（Model Calibration） 等高级计算任务。它广泛应用于科学计算、工程仿真、设计探索与风险评估等领域。

主页 https://dakota.sandia.gov/

---

一、Dakota 核心功能介绍

Dakota 的主要能力可以分为以下几个方向：

1. 优化（Optimization）

• 支持单目标/多目标优化
• 包括梯度型（如 SQP）和无梯度型（如遗传算法、Nelder-Mead）方法
• 支持约束与无约束优化

2. 不确定性量化（UQ）

• 蒙特卡洛采样（Monte Carlo, Latin Hypercube）
• 多重拟蒙特卡洛（Multilevel/Multifidelity Monte Carlo）
• ML BLUE（Multilevel Best Linear Unbiased Estimator）：Dakota 6.20 引入的新方法，用于高效不确定性传播
• 响应面建模（Response Surface Methods）
• 贝叶斯校准（Bayesian Calibration）

3. 参数研究（Parameter Studies）

• 网格扫描（Grid Sampling）
• 参数扫描（Parametric Sweep）
• 灵敏度分析（Local/Global Sensitivity Analysis）

4. 模型校准与验证（Calibration & Validation）

• 利用实验数据校准仿真模型参数
• 支持似然函数、最大似然估计、后验分布采样等

---

二、典型使用场景

Dakota 本身 不执行物理仿真，而是作为一个“驱动器”（Driver），与你自己的仿真代码（如 OpenFOAM、Abaqus、COMSOL、自研 Fortran/C++ 程序等）通过 输入/输出文件或标准 I/O 进行耦合。应用场景包括：

✅ 工程设计优化

• 飞机翼型优化（最小化阻力、最大化升阻比）
• 汽车结构轻量化设计（满足刚度/强度约束）
• 热管理系统参数调优

✅ 不确定性传播与风险评估

• 输入参数（如材料属性、边界条件）存在不确定性时，评估输出（如应力、温度）的统计分布
• 核工程、航空航天中对安全裕度的量化

✅ 多保真度建模（Multifidelity Modeling）

• 联合使用高精度（昂贵）和低精度（快速）模型（如 CFD + 降阶模型）加速 UQ/优化
• 利用 ML BLUE 等方法最优分配不同保真度模型的采样次数

✅ 敏感性分析

• 识别哪些输入参数对输出影响最大（用于降维、模型简化或实验设计）

✅ 自动化工作流集成

• 通过脚本（Python、Shell）调用 Dakota，实现“仿真 → 分析 → 决策”闭环
• 与 HPC 调度系统（如 Slurm）结合，实现大规模并行采样

---

三、基本使用方式

Dakota 通过 输入文件（.in） 配置任务，典型流程如下：

1. 编写 Dakota 输入文件（定义方法、变量、响应、接口等）
2. 准备仿真程序（需能读取 Dakota 生成的 params.in，并输出 results.out）
3. 运行 Dakota：

   dakota -i dakota.in -o dakota.out
   

4. 分析结果（输出文件含最优解、统计矩、采样数据等）

示例：简单优化问题（最小化 x²）

method
  optpp_newton

variables
  continuous_design = 1
    lower_bounds = -5.0
    upper_bounds = 5.0
    initial_point = 3.0

interface
  analysis_driver = 'echo'
  fork
    asynchronous

responses
  objective_functions = 1

注：实际仿真中 analysis_driver 会指向你的仿真脚本（如 run_simulation.py），该脚本负责解析 Dakota 输入、调用求解器、生成输出。

---

四、技术特点与优势

• 模块化架构：方法、变量、接口、响应等组件可灵活组合
• 支持并行：可利用 MPI 或多进程并行执行仿真（特别适合 UQ 采样）
• 开源免费：BSD 许可，社区活跃（现通过 GitHub Discussions 提供支持）
• 跨平台：支持 Linux、macOS、Windows（通过 WSL 或 MinGW）
• 与 HPC 友好：可集成 Slurm/PBS 等作业调度系统

---

五、适用人群

• 计算力学/流体力学工程师
• 不确定性量化研究人员
• 优化算法开发者
• 多物理场仿真用户
• 高性能计算（HPC）应用开发者

---

如需进一步了解，可参考：

• 官网：https://dakota.sandia.gov/
• 文档：https://snl-dakota.github.io/
• GitHub：https://github.com/snl-dakota/dakota