参数优化 Dakota

参数研究：参数研究采用确定性设计来探索模拟模型中参数变化的影响，从而产生一种形式的灵敏度分析。 它们可以帮助评估仿真特性，例如平滑度，多模态，鲁棒性和非线性，这些影响了后续优化和UQ研究中算法和控制的选择。 典型的例子包括中心，一次一个变化或网格上的联合变化。

实验设计：计算机实验（DACE）技术的设计和分析通常用于探索工程设计问题的参数空间，例如进行全局灵敏度分析。 DACE方法可以帮助得出类似于参数研究的结论，但这些方法的主要目标是生成输入参数空间的良好覆盖。 代表性方法包括拉丁超立方采样，正交阵列和Box-Behnken设计。

不确定性量化：不确定性量化方法（也称为非确定性分析方法）基于根据指定的输入参数概率分布执行的模拟来计算关于响应函数的概率信息。 换句话说，这些方法执行前向不确定性传播，其中输入参数的概率信息被映射到输出响应函数的概率信息。 常见方法包括蒙特卡罗采样，可靠性方法和多项式混沌扩展。

优化：优化求解器寻求最小化成本或最大化系统性能，如仿真模型预测的那样，受输入变量或二次仿真响应的约束。 算法类别包括基于梯度，无导数和全局优化。 Dakota还包括多目标权衡优化和问题公式自动缩放的功能。 高级Dakota方法包括混合（多方法），多启动本地和Pareto集优化。

校准：校准算法寻求最大化模拟输出和实验数据（或所需输出）之间的一致性。 它们用于解决反问题（通常称为参数估计或最小二乘问题）。 达科他方法包括非线性最小二乘和贝叶斯校准。