examples/daSalome/test005_ADAO_scripts_for_JDC.py

   1 #-*-coding:iso-8859-1-*-
   2 #
   3 # Copyright (C) 2008-2017 EDF R&D
   4 #
   5 # This library is free software; you can redistribute it and/or
   6 # modify it under the terms of the GNU Lesser General Public
   7 # License as published by the Free Software Foundation; either
   8 # version 2.1 of the License.
   9 #
  10 # This library is distributed in the hope that it will be useful,
  11 # but WITHOUT ANY WARRANTY; without even the implied warranty of
  12 # MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
  13 # Lesser General Public License for more details.
  14 #
  15 # You should have received a copy of the GNU Lesser General Public
  16 # License along with this library; if not, write to the Free Software
  17 # Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA  02111-1307 USA
  18 #
  19 # See http://www.salome-platform.org/ or email : webmaster.salome@opencascade.com
  20 #
  21 # Author: Jean-Philippe Argaud, jean-philippe.argaud@edf.fr, EDF R&D
  22
  23 import numpy
  24 import logging
  25 logging.info("ComputationFunctionNode: Begin")
  26 # ==============================================================================
  27 # Input data and parameters: all is in the required input variable
  28 # "computation", containing for example:
  29 #      {'inputValues': [[[[0.0, 0.0, 0.0]]]],
  30 #       'inputVarList': ['adao_default'],
  31 #       'outputVarList': ['adao_default'],
  32 #       'specificParameters': [{'name': 'method', 'value': 'Direct'}]}
  33 # ==============================================================================
  34 #
  35 # Recovering the type of computation: "Direct", "Tangent" or "Adjoint"
  36 # --------------------------------------------------------------------
  37 method = ""
  38 for param in computation["specificParameters"]:
  39     if param["name"] == "method":
  40         method = param["value"]
  41 logging.info("ComputationFunctionNode: Found method is \'%s\'"%method)
  42 #
  43 # Recovering the current control state X
  44 # --------------------------------------
  45 Xcurrent = computation["inputValues"][0][0][0]
  46 #
  47 # Building explicit calculation or requiring external ones
  48 # --------------------------------------------------------
  49 dimension = len( Xcurrent )
  50 H  = numpy.matrix(numpy.core.identity(dimension))
  51 #
  52 def FunctionH( X ):
  53     return H * X
  54 #
  55 def AdjointH( (X, Y) ):
  56     return H.T * Y
  57 #
  58 # The possible computations
  59 # -------------------------
  60 if method == "Direct":
  61     logging.info("ComputationFunctionNode: Direct computation")
  62     data = FunctionH(numpy.matrix( Xcurrent ).T)
  63 #
  64 if method == "Tangent":
  65     logging.info("ComputationFunctionNode: Tangent computation")
  66     data = FunctionH(numpy.matrix( Xcurrent ).T)
  67 #
  68 if method == "Adjoint":
  69     logging.info("ComputationFunctionNode: Adjoint computation")
  70     Ycurrent = computation["inputValues"][0][0][1]
  71     data = AdjointH((numpy.matrix( Xcurrent ).T, numpy.matrix( Ycurrent ).T))
  72 #
  73 # Formatting the output
  74 # ---------------------
  75 logging.info("ComputationFunctionNode: Formatting the output")
  76 it = data.flat
  77 outputValues = [[[[]]]]
  78 for val in it:
  79   outputValues[0][0][0].append(val)
  80 #
  81 result = {}
  82 result["outputValues"]        = outputValues
  83 result["specificOutputInfos"] = []
  84 result["returnCode"]          = 0
  85 result["errorMessage"]        = ""
  86 #
  87 logging.info("ComputationFunctionNode: End")