src/daComposant/daAlgorithms/AdjointTest.py

   1 # -*- coding: utf-8 -*-
   2 #
   3 # Copyright (C) 2008-2020 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 sys, logging
  24 from daCore import BasicObjects, PlatformInfo
  25 import numpy
  26 mpr = PlatformInfo.PlatformInfo().MachinePrecision()
  27 if sys.version_info.major > 2:
  28     unicode = str
  29
  30 # ==============================================================================
  31 class ElementaryAlgorithm(BasicObjects.Algorithm):
  32     def __init__(self):
  33         BasicObjects.Algorithm.__init__(self, "ADJOINTTEST")
  34         self.defineRequiredParameter(
  35             name     = "ResiduFormula",
  36             default  = "ScalarProduct",
  37             typecast = str,
  38             message  = "Formule de résidu utilisée",
  39             listval  = ["ScalarProduct"],
  40             )
  41         self.defineRequiredParameter(
  42             name     = "EpsilonMinimumExponent",
  43             default  = -8,
  44             typecast = int,
  45             message  = "Exposant minimal en puissance de 10 pour le multiplicateur d'incrément",
  46             minval   = -20,
  47             maxval   = 0,
  48             )
  49         self.defineRequiredParameter(
  50             name     = "InitialDirection",
  51             default  = [],
  52             typecast = list,
  53             message  = "Direction initiale de la dérivée directionnelle autour du point nominal",
  54             )
  55         self.defineRequiredParameter(
  56             name     = "AmplitudeOfInitialDirection",
  57             default  = 1.,
  58             typecast = float,
  59             message  = "Amplitude de la direction initiale de la dérivée directionnelle autour du point nominal",
  60             )
  61         self.defineRequiredParameter(
  62             name     = "SetSeed",
  63             typecast = numpy.random.seed,
  64             message  = "Graine fixée pour le générateur aléatoire",
  65             )
  66         self.defineRequiredParameter(
  67             name     = "ResultTitle",
  68             default  = "",
  69             typecast = str,
  70             message  = "Titre du tableau et de la figure",
  71             )
  72         self.defineRequiredParameter(
  73             name     = "StoreSupplementaryCalculations",
  74             default  = [],
  75             typecast = tuple,
  76             message  = "Liste de calculs supplémentaires à stocker et/ou effectuer",
  77             listval  = [
  78                 "CurrentState",
  79                 "Residu",
  80                 "SimulatedObservationAtCurrentState",
  81                 ]
  82             )
  83         self.requireInputArguments(
  84             mandatory= ("Xb", "HO" ),
  85             optional = ("Y", ),
  86             )
  87
  88     def run(self, Xb=None, Y=None, U=None, HO=None, EM=None, CM=None, R=None, B=None, Q=None, Parameters=None):
  89         self._pre_run(Parameters, Xb, Y, R, B, Q)
  90         #
  91         Hm = HO["Direct"].appliedTo
  92         Ht = HO["Tangent"].appliedInXTo
  93         Ha = HO["Adjoint"].appliedInXTo
  94         #
  95         # ----------
  96         Perturbations = [ 10**i for i in range(self._parameters["EpsilonMinimumExponent"],1) ]
  97         Perturbations.reverse()
  98         #
  99         X       = numpy.asmatrix(numpy.ravel( Xb )).T
 100         NormeX  = numpy.linalg.norm( X )
 101         if Y is None:
 102             Y = numpy.asmatrix(numpy.ravel( Hm( X ) )).T
 103         Y = numpy.asmatrix(numpy.ravel( Y )).T
 104         NormeY = numpy.linalg.norm( Y )
 105         if self._toStore("CurrentState"):
 106             self.StoredVariables["CurrentState"].store( numpy.ravel(X) )
 107         if self._toStore("SimulatedObservationAtCurrentState"):
 108             self.StoredVariables["SimulatedObservationAtCurrentState"].store( numpy.ravel(Y) )
 109         #
 110         if len(self._parameters["InitialDirection"]) == 0:
 111             dX0 = []
 112             for v in X.A1:
 113                 if abs(v) > 1.e-8:
 114                     dX0.append( numpy.random.normal(0.,abs(v)) )
 115                 else:
 116                     dX0.append( numpy.random.normal(0.,X.mean()) )
 117         else:
 118             dX0 = numpy.asmatrix(numpy.ravel( self._parameters["InitialDirection"] ))
 119         #
 120         dX0 = float(self._parameters["AmplitudeOfInitialDirection"]) * numpy.matrix( dX0 ).T
 121         #
 122         # Entete des resultats
 123         # --------------------
 124         __marge =  12*u" "
 125         __precision = u"""
 126             Remarque : les nombres inferieurs a %.0e (environ) representent un zero
 127                        a la precision machine.\n"""%mpr
 128         if self._parameters["ResiduFormula"] == "ScalarProduct":
 129             __entete = u"  i   Alpha     ||X||       ||Y||       ||dX||        R(Alpha)"
 130             __msgdoc = u"""
 131             On observe le residu qui est la difference de deux produits scalaires :
 132
 133               R(Alpha) = | < TangentF_X(dX) , Y > - < dX , AdjointF_X(Y) > |
 134
 135             qui doit rester constamment egal a zero a la precision du calcul.
 136             On prend dX0 = Normal(0,X) et dX = Alpha*dX0. F est le code de calcul.
 137             Y doit etre dans l'image de F. S'il n'est pas donne, on prend Y = F(X).\n""" + __precision
 138         #
 139         if len(self._parameters["ResultTitle"]) > 0:
 140             __rt = unicode(self._parameters["ResultTitle"])
 141             msgs  = u"\n"
 142             msgs += __marge + "====" + "="*len(__rt) + "====\n"
 143             msgs += __marge + "    " + __rt + "\n"
 144             msgs += __marge + "====" + "="*len(__rt) + "====\n"
 145         else:
 146             msgs  = u""
 147         msgs += __msgdoc
 148         #
 149         __nbtirets = len(__entete) + 2
 150         msgs += "\n" + __marge + "-"*__nbtirets
 151         msgs += "\n" + __marge + __entete
 152         msgs += "\n" + __marge + "-"*__nbtirets
 153         #
 154         Normalisation= -1
 155         #
 156         # ----------
 157         for i,amplitude in enumerate(Perturbations):
 158             dX          = amplitude * dX0
 159             NormedX     = numpy.linalg.norm( dX )
 160             #
 161             TangentFXdX = numpy.asmatrix( Ht( (X,dX) ) )
 162             AdjointFXY  = numpy.asmatrix( Ha( (X,Y)  ) )
 163             #
 164             Residu = abs(float(numpy.dot( TangentFXdX.A1 , Y.A1 ) - numpy.dot( dX.A1 , AdjointFXY.A1 )))
 165             #
 166             msg = "  %2i  %5.0e   %9.3e   %9.3e   %9.3e   |  %9.3e"%(i,amplitude,NormeX,NormeY,NormedX,Residu)
 167             msgs += "\n" + __marge + msg
 168             #
 169             self.StoredVariables["Residu"].store( Residu )
 170         #
 171         msgs += "\n" + __marge + "-"*__nbtirets
 172         msgs += "\n"
 173         #
 174         # Sorties eventuelles
 175         # -------------------
 176         print("\nResults of adjoint check by \"%s\" formula:"%self._parameters["ResiduFormula"])
 177         print(msgs)
 178         #
 179         self._post_run(HO)
 180         return 0
 181
 182 # ==============================================================================
 183 if __name__ == "__main__":
 184     print('\n AUTODIAGNOSTIC\n')