2 Copyright (C) 2008-2016 EDF R&D
4 This file is part of SALOME ADAO module.
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.
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.
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
20 See http://www.salome-platform.org/ or email : webmaster.salome@opencascade.com
22 Author: Jean-Philippe Argaud, jean-philippe.argaud@edf.fr, EDF R&D
24 .. index:: single: EnsembleBlue
25 .. _section_ref_algorithm_EnsembleBlue:
27 Algorithme de calcul "*EnsembleBlue*"
28 -------------------------------------
33 Cet algorithme réalise une estimation de type BLUE (Best Linear Unbiased
34 Estimator, qui est ici un estimateur d'Aitken) de l'état d'un système par
35 méthode d'ensemble. Pour fonctionner, il faut fournir un ensemble d'ébauches,
36 dont le nombre déterminera la taille de l'ensemble pour l'estimation.
38 Il est théoriquement réservé aux cas d'opérateurs d'observation linéaires, mais
39 doit fonctionner aussi dans les cas "faiblement" non-linéaire. On peut vérifier
40 la linéarité de l'opérateur d'observation à l'aide de
41 l':ref:`section_ref_algorithm_LinearityTest`.
43 Commandes requises et optionnelles
44 ++++++++++++++++++++++++++++++++++
46 .. index:: single: AlgorithmParameters
47 .. index:: single: Background
48 .. index:: single: BackgroundError
49 .. index:: single: Observation
50 .. index:: single: ObservationError
51 .. index:: single: ObservationOperator
52 .. index:: single: SetSeed
54 Les commandes requises générales, disponibles dans l'interface en édition, sont
58 *Commande obligatoire*. Elle définit le vecteur d'ébauche ou
59 d'initialisation, noté précédemment :math:`\mathbf{x}^b`. Sa valeur est
60 définie comme un objet de type "*Vector*" ou de type "*VectorSerie*".
63 *Commande obligatoire*. Elle définit la matrice de covariance des erreurs
64 d'ébauche, notée précédemment :math:`\mathbf{B}`. Sa valeur est définie
65 comme un objet de type "*Matrix*", de type "*ScalarSparseMatrix*", ou de
66 type "*DiagonalSparseMatrix*".
69 *Commande obligatoire*. Elle définit le vecteur d'observation utilisé en
70 assimilation de données ou en optimisation, et noté précédemment
71 :math:`\mathbf{y}^o`. Sa valeur est définie comme un objet de type "*Vector*"
72 ou de type "*VectorSerie*".
75 *Commande obligatoire*. Elle définit la matrice de covariance des erreurs
76 d'ébauche, notée précédemment :math:`\mathbf{R}`. Sa valeur est définie
77 comme un objet de type "*Matrix*", de type "*ScalarSparseMatrix*", ou de
78 type "*DiagonalSparseMatrix*".
81 *Commande obligatoire*. Elle indique l'opérateur d'observation, noté
82 précédemment :math:`H`, qui transforme les paramètres d'entrée
83 :math:`\mathbf{x}` en résultats :math:`\mathbf{y}` qui sont à comparer aux
84 observations :math:`\mathbf{y}^o`. Sa valeur est définie comme un objet de
85 type "*Function*" ou de type "*Matrix*". Dans le cas du type "*Function*",
86 différentes formes fonctionnelles peuvent être utilisées, comme décrit dans
87 la section :ref:`section_ref_operator_requirements`. Si un contrôle
88 :math:`U` est inclus dans le modèle d'observation, l'opérateur doit être
89 appliqué à une paire :math:`(X,U)`.
91 Les commandes optionnelles générales, disponibles dans l'interface en édition,
92 sont indiquées dans la :ref:`section_ref_assimilation_keywords`. De plus, les
93 paramètres de la commande "*AlgorithmParameters*" permettent d'indiquer les
94 options particulières, décrites ci-après, de l'algorithme. On se reportera à la
95 :ref:`section_ref_options_Algorithm_Parameters` pour le bon usage de cette
98 Les options de l'algorithme sont les suivantes:
100 StoreSupplementaryCalculations
101 Cette liste indique les noms des variables supplémentaires qui peuvent être
102 disponibles à la fin de l'algorithme. Cela implique potentiellement des
103 calculs ou du stockage coûteux. La valeur par défaut est une liste vide,
104 aucune de ces variables n'étant calculée et stockée par défaut. Les noms
105 possibles sont dans la liste suivante : ["CurrentState", "Innovation",
106 "SimulatedObservationAtBackground", "SimulatedObservationAtCurrentState",
107 "SimulatedObservationAtOptimum"].
109 Exemple : ``{"StoreSupplementaryCalculations":["CurrentState", "Innovation"]}``
112 Cette clé permet de donner un nombre entier pour fixer la graine du
113 générateur aléatoire utilisé pour générer l'ensemble. Un valeur pratique est
114 par exemple 1000. Par défaut, la graine est laissée non initialisée, et elle
115 utilise ainsi l'initialisation par défaut de l'ordinateur.
117 Exemple : ``{"SetSeed":1000}``
119 Informations et variables disponibles à la fin de l'algorithme
120 ++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
122 En sortie, après exécution de l'algorithme, on dispose d'informations et de
123 variables issues du calcul. La description des
124 :ref:`section_ref_output_variables` indique la manière de les obtenir par la
125 méthode nommée ``get`` de la variable "*ADD*" du post-processing. Les variables
126 d'entrée, mises à disposition de l'utilisateur en sortie pour faciliter
127 l'écriture des procédures de post-processing, sont décrites dans
128 l':ref:`subsection_r_o_v_Inventaire`.
130 Les sorties non conditionnelles de l'algorithme sont les suivantes:
133 *Liste de vecteurs*. Chaque élément est un état optimal :math:`\mathbf{x}*`
134 en optimisation ou une analyse :math:`\mathbf{x}^a` en assimilation de
137 Exemple : ``Xa = ADD.get("Analysis")[-1]``
140 *Liste de vecteurs*. Chaque élément est un vecteur d'état courant utilisé
141 au cours du déroulement de l'algorithme d'optimisation.
143 Exemple : ``Xs = ADD.get("CurrentState")[:]``
146 *Liste de vecteurs*. Chaque élément est un vecteur d'innovation, qui est
147 en statique l'écart de l'optimum à l'ébauche, et en dynamique l'incrément
150 Exemple : ``d = ADD.get("Innovation")[-1]``
155 Références vers d'autres sections :
156 - :ref:`section_ref_algorithm_Blue`