src/daComposant/daAlgorithms/3DVAR.py

   1 #-*-coding:iso-8859-1-*-
   2 #
   3 #  Copyright (C) 2008-2012 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
  22 import logging
  23 from daCore import BasicObjects, PlatformInfo
  24 m = PlatformInfo.SystemUsage()
  25
  26 import numpy
  27 import scipy.optimize
  28
  29 if logging.getLogger().level < 30:
  30     iprint  = 1
  31     message = scipy.optimize.tnc.MSG_ALL
  32     disp    = 1
  33 else:
  34     iprint  = -1
  35     message = scipy.optimize.tnc.MSG_NONE
  36     disp    = 0
  37
  38 # ==============================================================================
  39 class ElementaryAlgorithm(BasicObjects.Algorithm):
  40     def __init__(self):
  41         BasicObjects.Algorithm.__init__(self)
  42         self._name = "3DVAR"
  43         logging.debug("%s Initialisation"%self._name)
  44
  45     def run(self, Xb=None, Y=None, H=None, M=None, R=None, B=None, Q=None, Parameters=None):
  46         """
  47         Calcul de l'estimateur 3D-VAR
  48         """
  49         logging.debug("%s Lancement"%self._name)
  50         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("Mo")))
  51         #
  52         # Opérateur d'observation
  53         # -----------------------
  54         Hm = H["Direct"].appliedTo
  55         Ht = H["Adjoint"].appliedInXTo
  56         #
  57         # Utilisation éventuelle d'un vecteur H(Xb) précalculé
  58         # ----------------------------------------------------
  59         if H["AppliedToX"] is not None and H["AppliedToX"].has_key("HXb"):
  60             logging.debug("%s Utilisation de HXb"%self._name)
  61             HXb = H["AppliedToX"]["HXb"]
  62         else:
  63             logging.debug("%s Calcul de Hm(Xb)"%self._name)
  64             HXb = Hm( Xb )
  65         HXb = numpy.asmatrix(HXb).flatten().T
  66         #
  67         # Calcul de l'innovation
  68         # ----------------------
  69         if Y.size != HXb.size:
  70             raise ValueError("The size %i of observations Y and %i of observed calculation H(X) are different, they have to be identical."%(Y.size,HXb.size))
  71         if max(Y.shape) != max(HXb.shape):
  72             raise ValueError("The shapes %s of observations Y and %s of observed calculation H(X) are different, they have to be identical."%(Y.shape,HXb.shape))
  73         d  = Y - HXb
  74         logging.debug("%s Innovation d = %s"%(self._name, d))
  75         #
  76         # Précalcul des inversions de B et R
  77         # ----------------------------------
  78         if B is not None:
  79             BI = B.I
  80         elif Parameters["B_scalar"] is not None:
  81             BI = 1.0 / Parameters["B_scalar"]
  82         #
  83         if R is not None:
  84             RI = R.I
  85         elif Parameters["R_scalar"] is not None:
  86             RI = 1.0 / Parameters["R_scalar"]
  87         #
  88         # Définition de la fonction-coût
  89         # ------------------------------
  90         def CostFunction(x):
  91             _X  = numpy.asmatrix(x).flatten().T
  92             logging.debug("%s CostFunction X  = %s"%(self._name, numpy.asmatrix( _X ).flatten()))
  93             _HX = Hm( _X )
  94             _HX = numpy.asmatrix(_HX).flatten().T
  95             Jb  = 0.5 * (_X - Xb).T * BI * (_X - Xb)
  96             Jo  = 0.5 * (Y - _HX).T * RI * (Y - _HX)
  97             J   = float( Jb ) + float( Jo )
  98             logging.debug("%s CostFunction Jb = %s"%(self._name, Jb))
  99             logging.debug("%s CostFunction Jo = %s"%(self._name, Jo))
 100             logging.debug("%s CostFunction J  = %s"%(self._name, J))
 101             self.StoredVariables["CurrentState"].store( _X.A1 )
 102             self.StoredVariables["CostFunctionJb"].store( Jb )
 103             self.StoredVariables["CostFunctionJo"].store( Jo )
 104             self.StoredVariables["CostFunctionJ" ].store( J )
 105             return float( J )
 106         #
 107         def GradientOfCostFunction(x):
 108             _X      = numpy.asmatrix(x).flatten().T
 109             logging.debug("%s GradientOfCostFunction X      = %s"%(self._name, numpy.asmatrix( _X ).flatten()))
 110             _HX     = Hm( _X )
 111             _HX     = numpy.asmatrix(_HX).flatten().T
 112             GradJb  = BI * (_X - Xb)
 113             GradJo  = - Ht( (_X, RI * (Y - _HX)) )
 114             GradJ   = numpy.asmatrix( GradJb ).flatten().T + numpy.asmatrix( GradJo ).flatten().T
 115             logging.debug("%s GradientOfCostFunction GradJb = %s"%(self._name, numpy.asmatrix( GradJb ).flatten()))
 116             logging.debug("%s GradientOfCostFunction GradJo = %s"%(self._name, numpy.asmatrix( GradJo ).flatten()))
 117             logging.debug("%s GradientOfCostFunction GradJ  = %s"%(self._name, numpy.asmatrix( GradJ  ).flatten()))
 118             return GradJ.A1
 119         #
 120         # Point de démarrage de l'optimisation : Xini = Xb
 121         # ------------------------------------
 122         if type(Xb) is type(numpy.matrix([])):
 123             Xini = Xb.A1.tolist()
 124         else:
 125             Xini = list(Xb)
 126         logging.debug("%s Point de démarrage Xini = %s"%(self._name, Xini))
 127         #
 128         # Paramètres de pilotage
 129         # ----------------------
 130         # Potentiels : "Bounds", "Minimizer", "MaximumNumberOfSteps", "ProjectedGradientTolerance", "GradientNormTolerance", "InnerMinimizer", "CalculateAPosterioriCovariance"
 131         if Parameters.has_key("Bounds") and (type(Parameters["Bounds"]) is type([]) or type(Parameters["Bounds"]) is type(())) and (len(Parameters["Bounds"]) > 0):
 132             Bounds = Parameters["Bounds"]
 133         else:
 134             Bounds = None
 135         MinimizerList = ["LBFGSB","TNC", "CG", "NCG", "BFGS"]
 136         if Parameters.has_key("Minimizer") and (Parameters["Minimizer"] in MinimizerList):
 137             Minimizer = str( Parameters["Minimizer"] )
 138         else:
 139             Minimizer = "LBFGSB"
 140             logging.warning("%s Unknown or undefined minimizer, replaced by the default one \"%s\""%(self._name,Minimizer))
 141         logging.debug("%s Minimiseur utilisé = %s"%(self._name, Minimizer))
 142         if Parameters.has_key("MaximumNumberOfSteps") and (Parameters["MaximumNumberOfSteps"] > -1):
 143             maxiter = int( Parameters["MaximumNumberOfSteps"] )
 144         else:
 145             maxiter = 15000
 146         logging.debug("%s Nombre maximal de pas d'optimisation = %s"%(self._name, str(maxiter)))
 147         if Parameters.has_key("CostDecrementTolerance") and (Parameters["CostDecrementTolerance"] > 0):
 148             ftol  = float(Parameters["CostDecrementTolerance"])
 149             factr = ftol * 1.e14
 150         else:
 151             ftol  = 1.e-7
 152             factr = ftol * 1.e14
 153         logging.debug("%s Diminution relative minimale du cout lors de l'arret = %s"%(self._name, str(1./factr)))
 154         if Parameters.has_key("ProjectedGradientTolerance") and (Parameters["ProjectedGradientTolerance"] > -1):
 155             pgtol = float(Parameters["ProjectedGradientTolerance"])
 156         else:
 157             pgtol = -1
 158         logging.debug("%s Maximum des composantes du gradient projete lors de l'arret = %s"%(self._name, str(pgtol)))
 159         if Parameters.has_key("GradientNormTolerance") and (Parameters["GradientNormTolerance"] > -1):
 160             gtol = float(Parameters["GradientNormTolerance"])
 161         else:
 162             gtol = 1.e-05
 163         logging.debug("%s Maximum des composantes du gradient lors de l'arret = %s"%(self._name, str(gtol)))
 164         InnerMinimizerList = ["CG", "NCG", "BFGS"]
 165         if Parameters.has_key("InnerMinimizer") and (Parameters["InnerMinimizer"] in InnerMinimizerList):
 166             InnerMinimizer = str( Parameters["InnerMinimizer"] )
 167         else:
 168             InnerMinimizer = "BFGS"
 169         logging.debug("%s Minimiseur interne utilisé = %s"%(self._name, InnerMinimizer))
 170         if Parameters.has_key("CalculateAPosterioriCovariance"):
 171             CalculateAPosterioriCovariance = bool(Parameters["CalculateAPosterioriCovariance"])
 172         else:
 173             CalculateAPosterioriCovariance = False
 174         logging.debug("%s Calcul de la covariance a posteriori = %s"%(self._name, CalculateAPosterioriCovariance))
 175         #
 176         # Minimisation de la fonctionnelle
 177         # --------------------------------
 178         if Minimizer == "LBFGSB":
 179             Minimum, J_optimal, Informations = scipy.optimize.fmin_l_bfgs_b(
 180                 func        = CostFunction,
 181                 x0          = Xini,
 182                 fprime      = GradientOfCostFunction,
 183                 args        = (),
 184                 bounds      = Bounds,
 185                 maxfun      = maxiter-1,
 186                 factr       = factr,
 187                 pgtol       = pgtol,
 188                 iprint      = iprint,
 189                 )
 190             nfeval = Informations['funcalls']
 191             rc     = Informations['warnflag']
 192         elif Minimizer == "TNC":
 193             Minimum, nfeval, rc = scipy.optimize.fmin_tnc(
 194                 func        = CostFunction,
 195                 x0          = Xini,
 196                 fprime      = GradientOfCostFunction,
 197                 args        = (),
 198                 bounds      = Bounds,
 199                 maxfun      = maxiter,
 200                 pgtol       = pgtol,
 201                 ftol        = ftol,
 202                 messages    = message,
 203                 )
 204         elif Minimizer == "CG":
 205             Minimum, fopt, nfeval, grad_calls, rc = scipy.optimize.fmin_cg(
 206                 f           = CostFunction,
 207                 x0          = Xini,
 208                 fprime      = GradientOfCostFunction,
 209                 args        = (),
 210                 maxiter     = maxiter,
 211                 gtol        = gtol,
 212                 disp        = disp,
 213                 full_output = True,
 214                 )
 215         elif Minimizer == "NCG":
 216             Minimum, fopt, nfeval, grad_calls, hcalls, rc = scipy.optimize.fmin_ncg(
 217                 f           = CostFunction,
 218                 x0          = Xini,
 219                 fprime      = GradientOfCostFunction,
 220                 args        = (),
 221                 maxiter     = maxiter,
 222                 avextol     = ftol,
 223                 disp        = disp,
 224                 full_output = True,
 225                 )
 226         elif Minimizer == "BFGS":
 227             Minimum, fopt, gopt, Hopt, nfeval, grad_calls, rc = scipy.optimize.fmin_bfgs(
 228                 f           = CostFunction,
 229                 x0          = Xini,
 230                 fprime      = GradientOfCostFunction,
 231                 args        = (),
 232                 maxiter     = maxiter,
 233                 gtol        = gtol,
 234                 disp        = disp,
 235                 full_output = True,
 236                 )
 237         else:
 238             raise ValueError("Error in Minimizer name: %s"%Minimizer)
 239         #
 240         # Correction pour pallier a un bug de TNC sur le retour du Minimum
 241         # ----------------------------------------------------------------
 242         StepMin = numpy.argmin( self.StoredVariables["CostFunctionJ"].valueserie() )
 243         MinJ    = self.StoredVariables["CostFunctionJ"].valueserie(step = StepMin)
 244         Minimum = self.StoredVariables["CurrentState"].valueserie(step = StepMin)
 245         #
 246         logging.debug("%s %s Step of min cost  = %s"%(self._name, Minimizer, StepMin))
 247         logging.debug("%s %s Minimum cost      = %s"%(self._name, Minimizer, MinJ))
 248         logging.debug("%s %s Minimum state     = %s"%(self._name, Minimizer, Minimum))
 249         logging.debug("%s %s Nb of F           = %s"%(self._name, Minimizer, nfeval))
 250         logging.debug("%s %s RetCode           = %s"%(self._name, Minimizer, rc))
 251         #
 252         # Calcul  de l'analyse
 253         # --------------------
 254         Xa = numpy.asmatrix(Minimum).T
 255         logging.debug("%s Analyse Xa = %s"%(self._name, Xa))
 256         #
 257         self.StoredVariables["Analysis"].store( Xa.A1 )
 258         self.StoredVariables["Innovation"].store( d.A1 )
 259         #
 260         # Calcul de la covariance d'analyse
 261         # ---------------------------------
 262         if CalculateAPosterioriCovariance:
 263             Hessienne = []
 264             nb = len(Xini)
 265             for i in range(nb):
 266                 ee = numpy.matrix(numpy.zeros(nb)).T
 267                 ee[i] = 1.
 268                 Hessienne.append( ( BI*ee + Ht((Xa,RI*Hm(ee))) ).A1 )
 269             Hessienne = numpy.matrix( Hessienne )
 270             A = Hessienne.I
 271             self.StoredVariables["APosterioriCovariance"].store( A )
 272         #
 273         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("MB")))
 274         logging.debug("%s Terminé"%self._name)
 275         #
 276         return 0
 277
 278 # ==============================================================================
 279 if __name__ == "__main__":
 280     print '\n AUTODIAGNOSTIC \n'