doc/fr/ref_algorithm_DerivativeFreeOptimization.rst

   1 ..
   2    Copyright (C) 2008-2015 EDF R&D
   3
   4    This file is part of SALOME ADAO module.
   5
   6    This library is free software; you can redistribute it and/or
   7    modify it under the terms of the GNU Lesser General Public
   8    License as published by the Free Software Foundation; either
   9    version 2.1 of the License, or (at your option) any later version.
  10
  11    This library is distributed in the hope that it will be useful,
  12    but WITHOUT ANY WARRANTY; without even the implied warranty of
  13    MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
  14    Lesser General Public License for more details.
  15
  16    You should have received a copy of the GNU Lesser General Public
  17    License along with this library; if not, write to the Free Software
  18    Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA  02111-1307 USA
  19
  20    See http://www.salome-platform.org/ or email : webmaster.salome@opencascade.com
  21
  22    Author: Jean-Philippe Argaud, jean-philippe.argaud@edf.fr, EDF R&D
  23
  24 .. index:: single: DerivativeFreeOptimization
  25 .. _section_ref_algorithm_DerivativeFreeOptimization:
  26
  27 Algorithme de calcul "*DerivativeFreeOptimization*"
  28 ----------------------------------------------------
  29
  30 .. warning::
  31
  32   dans sa présente version, cet algorithme est expérimental, et reste donc
  33   susceptible de changements dans les prochaines versions.
  34
  35 Description
  36 +++++++++++
  37
  38 Cet algorithme réalise une estimation d'état d'un système dynamique par
  39 minimisation d'une fonctionnelle d'écart :math:`J` sans gradient. C'est une
  40 méthode qui n'utilise pas les dérivées de la fonctionnelle d'écart. Elle entre
  41 dans la même catégorie que
  42 l':ref:`section_ref_algorithm_ParticleSwarmOptimization`.
  43
  44 C'est une méthode d'optimisation permettant la recherche du minimum global d'une
  45 fonctionnelle d'erreur :math:`J` quelconque de type :math:`L^1`, :math:`L^2` ou
  46 :math:`L^{\infty}`, avec ou sans pondérations. La fonctionnelle d'erreur par
  47 défaut est celle de moindres carrés pondérés augmentés, classiquement utilisée
  48 en assimilation de données.
  49
  50 Commandes requises et optionnelles
  51 ++++++++++++++++++++++++++++++++++
  52
  53 .. index:: single: AlgorithmParameters
  54 .. index:: single: Background
  55 .. index:: single: BackgroundError
  56 .. index:: single: Observation
  57 .. index:: single: ObservationError
  58 .. index:: single: ObservationOperator
  59 .. index:: single: Minimizer
  60 .. index:: single: MaximumNumberOfSteps
  61 .. index:: single: MaximumNumberOfFunctionEvaluations
  62 .. index:: single: StateVariationTolerance
  63 .. index:: single: CostDecrementTolerance
  64 .. index:: single: QualityCriterion
  65 .. index:: single: StoreSupplementaryCalculations
  66
  67 Les commandes requises générales, disponibles dans l'interface en édition, sont
  68 les suivantes:
  69
  70   Background
  71     *Commande obligatoire*. Elle définit le vecteur d'ébauche ou
  72     d'initialisation, noté précédemment :math:`\mathbf{x}^b`. Sa valeur est
  73     définie comme un objet de type "*Vector*" ou de type "*VectorSerie*".
  74
  75   BackgroundError
  76     *Commande obligatoire*. Elle définit la matrice de covariance des erreurs
  77     d'ébauche, notée précédemment :math:`\mathbf{B}`. Sa valeur est définie
  78     comme un objet de type "*Matrix*", de type "*ScalarSparseMatrix*", ou de
  79     type "*DiagonalSparseMatrix*".
  80
  81   Observation
  82     *Commande obligatoire*. Elle définit le vecteur d'observation utilisé en
  83     assimilation de données ou en optimisation, et noté précédemment
  84     :math:`\mathbf{y}^o`. Sa valeur est définie comme un objet de type "*Vector*"
  85     ou de type "*VectorSerie*".
  86
  87   ObservationError
  88     *Commande obligatoire*. Elle définit la matrice de covariance des erreurs
  89     d'ébauche, notée précédemment :math:`\mathbf{R}`. Sa valeur est définie
  90     comme un objet de type "*Matrix*", de type "*ScalarSparseMatrix*", ou de
  91     type "*DiagonalSparseMatrix*".
  92
  93   ObservationOperator
  94     *Commande obligatoire*. Elle indique l'opérateur d'observation, noté
  95     précédemment :math:`H`, qui transforme les paramètres d'entrée
  96     :math:`\mathbf{x}` en résultats :math:`\mathbf{y}` qui sont à comparer aux
  97     observations :math:`\mathbf{y}^o`. Sa valeur est définie comme un objet de
  98     type "*Function*" ou de type "*Matrix*". Dans le cas du type "*Function*",
  99     différentes formes fonctionnelles peuvent être utilisées, comme décrit dans
 100     la section :ref:`section_ref_operator_requirements`. Si un contrôle
 101     :math:`U` est inclus dans le modèle d'observation, l'opérateur doit être
 102     appliqué à une paire :math:`(X,U)`.
 103
 104 Les commandes optionnelles générales, disponibles dans l'interface en édition,
 105 sont indiquées dans la :ref:`section_ref_assimilation_keywords`. De plus, les
 106 paramètres de la commande "*AlgorithmParameters*" permettent d'indiquer les
 107 options particulières, décrites ci-après, de l'algorithme. On se reportera à la
 108 :ref:`section_ref_options_Algorithm_Parameters` pour le bon usage de cette
 109 commande.
 110
 111 Les options de l'algorithme sont les suivantes:
 112
 113   Minimizer
 114     Cette clé permet de changer le minimiseur pour l'optimiseur. Le choix par
 115     défaut est "POWELL", et les choix possibles sont "POWELL" (minimisation sans
 116     contrainte de type Powell modifiée, voir [Powell]_), "SIMPLEX" (minimisation
 117     sans contrainte de type simplexe ou Nelder-Mead, voir [Nelder]_). Il est
 118     conseillé de conserver la valeur par défaut.
 119
 120     Exemple : ``{"Minimizer":"POWELL"}``
 121
 122   MaximumNumberOfSteps
 123     Cette clé indique le nombre maximum d'itérations possibles en optimisation
 124     itérative. Le défaut est 15000, qui est une limite arbitraire. Il est ainsi
 125     fortement recommandé d'adapter ce paramètre aux besoins pour des problèmes
 126     réels. Pour certains optimiseurs, le nombre de pas effectif d'arrêt peut
 127     être légèrement différent de la limite à cause d'exigences de contrôle
 128     interne de l'algorithme.
 129
 130     Exemple : ``{"MaximumNumberOfSteps":50}``
 131
 132   MaximumNumberOfFunctionEvaluations
 133     Cette clé indique le nombre maximum d'évaluations possibles de la
 134     fonctionnelle à optimiser. Le défaut est 15000, qui est une limite
 135     arbitraire. Le calcul peut dépasser ce nombre lorsqu'il doit finir une
 136     boucle externe d'optimisation. Il est fortement recommandé d'adapter ce
 137     paramètre aux besoins pour des problèmes réels.
 138
 139     Exemple : ``{"MaximumNumberOfFunctionEvaluations":50}``
 140
 141   StateVariationTolerance
 142     Cette clé indique la variation relative maximale de l'état lors pour l'arrêt
 143     par convergence sur l'état. Le défaut est de 1.e-4, et il est recommandé
 144     de l'adapter aux besoins pour des problèmes réels.
 145
 146     Exemple : ``{"StateVariationTolerance":1.e-4}``
 147
 148   CostDecrementTolerance
 149     Cette clé indique une valeur limite, conduisant à arrêter le processus
 150     itératif d'optimisation lorsque la fonction coût décroît moins que cette
 151     tolérance au dernier pas. Le défaut est de 1.e-7, et il est recommandé
 152     de l'adapter aux besoins pour des problèmes réels.
 153
 154     Exemple : ``{"CostDecrementTolerance":1.e-7}``
 155
 156   QualityCriterion
 157     Cette clé indique le critère de qualité, qui est minimisé pour trouver
 158     l'estimation optimale de l'état. Le défaut est le critère usuel de
 159     l'assimilation de données nommé "DA", qui est le critère de moindres carrés
 160     pondérés augmentés. Les critères possibles sont dans la liste suivante, dans
 161     laquelle les noms équivalents sont indiqués par un signe "=" :
 162     ["AugmentedWeightedLeastSquares"="AWLS"="DA", "WeightedLeastSquares"="WLS",
 163     "LeastSquares"="LS"="L2", "AbsoluteValue"="L1",  "MaximumError"="ME"].
 164
 165     Exemple : ``{"QualityCriterion":"DA"}``
 166
 167   StoreSupplementaryCalculations
 168     Cette liste indique les noms des variables supplémentaires qui peuvent être
 169     disponibles à la fin de l'algorithme. Cela implique potentiellement des
 170     calculs ou du stockage coûteux. La valeur par défaut est une liste vide,
 171     aucune de ces variables n'étant calculée et stockée par défaut. Les noms
 172     possibles sont dans la liste suivante : ["CurrentState", "CostFunctionJ",
 173     "CostFunctionJAtCurrentOptimum", "CurrentOptimum", "IndexOfOptimum",
 174     "InnovationAtCurrentState", "BMA", "OMA", "OMB",
 175     "SimulatedObservationAtBackground", "SimulatedObservationAtCurrentOptimum",
 176     "SimulatedObservationAtCurrentState", "SimulatedObservationAtOptimum"].
 177
 178     Exemple : ``{"StoreSupplementaryCalculations":["BMA", "Innovation"]}``
 179
 180 Informations et variables disponibles à la fin de l'algorithme
 181 ++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
 182
 183 En sortie, après exécution de l'algorithme, on dispose d'informations et de
 184 variables issues du calcul. La description des
 185 :ref:`section_ref_output_variables` indique la manière de les obtenir par la
 186 méthode nommée ``get`` de la variable "*ADD*" du post-processing. Les variables
 187 d'entrée, mises à disposition de l'utilisateur en sortie pour faciliter
 188 l'écriture des procédures de post-processing, sont décrites dans
 189 l':ref:`subsection_r_o_v_Inventaire`.
 190
 191 Les sorties non conditionnelles de l'algorithme sont les suivantes:
 192
 193   Analysis
 194     *Liste de vecteurs*. Chaque élément est un état optimal :math:`\mathbf{x}*`
 195     en optimisation ou une analyse :math:`\mathbf{x}^a` en assimilation de
 196     données.
 197
 198     Exemple : ``Xa = ADD.get("Analysis")[-1]``
 199
 200   CostFunctionJ
 201     *Liste de valeurs*. Chaque élément est une valeur de fonctionnelle d'écart
 202     :math:`J`.
 203
 204     Exemple : ``J = ADD.get("CostFunctionJ")[:]``
 205
 206   CostFunctionJb
 207     *Liste de valeurs*. Chaque élément est une valeur de fonctionnelle d'écart
 208     :math:`J^b`, c'est-à-dire de la partie écart à l'ébauche.
 209
 210     Exemple : ``Jb = ADD.get("CostFunctionJb")[:]``
 211
 212   CostFunctionJo
 213     *Liste de valeurs*. Chaque élément est une valeur de fonctionnelle d'écart
 214     :math:`J^o`, c'est-à-dire de la partie écart à l'observation.
 215
 216     Exemple : ``Jo = ADD.get("CostFunctionJo")[:]``
 217
 218   CurrentState
 219     *Liste de vecteurs*. Chaque élément est un vecteur d'état courant utilisé
 220     au cours du déroulement de l'algorithme d'optimisation.
 221
 222     Exemple : ``Xs = ADD.get("CurrentState")[:]``
 223
 224 Les sorties conditionnelles de l'algorithme sont les suivantes:
 225
 226   SimulatedObservationAtBackground
 227     *Liste de vecteurs*. Chaque élément est un vecteur d'observation simulé à
 228     partir de l'ébauche :math:`\mathbf{x}^b`.
 229
 230     Exemple : ``hxb = ADD.get("SimulatedObservationAtBackground")[-1]``
 231
 232   SimulatedObservationAtCurrentState
 233     *Liste de vecteurs*. Chaque élément est un vecteur observé à l'état courant,
 234     c'est-à-dire dans l'espace des observations.
 235
 236     Exemple : ``Ys = ADD.get("SimulatedObservationAtCurrentState")[-1]``
 237
 238   SimulatedObservationAtOptimum
 239     *Liste de vecteurs*. Chaque élément est un vecteur d'observation simulé à
 240     partir de l'analyse ou de l'état optimal :math:`\mathbf{x}^a`.
 241
 242     Exemple : ``hxa = ADD.get("SimulatedObservationAtOptimum")[-1]``
 243
 244 Voir aussi
 245 ++++++++++
 246
 247 Références vers d'autres sections :
 248   - :ref:`section_ref_algorithm_ParticleSwarmOptimization`
 249
 250 Références bibliographiques :
 251   - [Nelder]_
 252   - [Powell]_