src/daComposant/daAlgorithms/EnsembleBlue.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 logging
  24 from daCore import BasicObjects
  25 import numpy
  26
  27 # ==============================================================================
  28 class ElementaryAlgorithm(BasicObjects.Algorithm):
  29     def __init__(self):
  30         BasicObjects.Algorithm.__init__(self, "ENSEMBLEBLUE")
  31         self.defineRequiredParameter(
  32             name     = "StoreInternalVariables",
  33             default  = False,
  34             typecast = bool,
  35             message  = "Stockage des variables internes ou intermédiaires du calcul",
  36             )
  37         self.defineRequiredParameter(
  38             name     = "StoreSupplementaryCalculations",
  39             default  = [],
  40             typecast = tuple,
  41             message  = "Liste de calculs supplémentaires à stocker et/ou effectuer",
  42             listval  = ["CurrentState", "Innovation", "SimulatedObservationAtBackground", "SimulatedObservationAtCurrentState", "SimulatedObservationAtOptimum"]
  43             )
  44         self.defineRequiredParameter(
  45             name     = "SetSeed",
  46             typecast = numpy.random.seed,
  47             message  = "Graine fixée pour le générateur aléatoire",
  48             )
  49
  50     def run(self, Xb=None, Y=None, U=None, HO=None, EM=None, CM=None, R=None, B=None, Q=None, Parameters=None):
  51         self._pre_run(Parameters)
  52         #
  53         # Précalcul des inversions de B et R
  54         # ----------------------------------
  55         BI = B.getI()
  56         RI = R.getI()
  57         #
  58         # Nombre d'ensemble pour l'ébauche
  59         # --------------------------------
  60         nb_ens = Xb.stepnumber()
  61         #
  62         # Construction de l'ensemble des observations, par génération a partir
  63         # de la diagonale de R
  64         # --------------------------------------------------------------------
  65         DiagonaleR = R.diag(Y.size)
  66         EnsembleY = numpy.zeros([Y.size,nb_ens])
  67         for npar in range(DiagonaleR.size):
  68             bruit = numpy.random.normal(0,DiagonaleR[npar],nb_ens)
  69             EnsembleY[npar,:] = Y[npar] + bruit
  70         EnsembleY = numpy.matrix(EnsembleY)
  71         #
  72         # Initialisation des opérateurs d'observation et de la matrice gain
  73         # -----------------------------------------------------------------
  74         Hm = HO["Tangent"].asMatrix(None)
  75         Hm = Hm.reshape(Y.size,Xb[0].size) # ADAO & check shape
  76         Ha = HO["Adjoint"].asMatrix(None)
  77         Ha = Ha.reshape(Xb[0].size,Y.size) # ADAO & check shape
  78         #
  79         # Calcul de la matrice de gain dans l'espace le plus petit et de l'analyse
  80         # ------------------------------------------------------------------------
  81         if Y.size <= Xb[0].size:
  82             K  = B * Ha * (R + Hm * B * Ha).I
  83         else:
  84             K = (BI + Ha * RI * Hm).I * Ha * RI
  85         #
  86         # Calcul du BLUE pour chaque membre de l'ensemble
  87         # -----------------------------------------------
  88         for iens in range(nb_ens):
  89             HXb = Hm * Xb[iens]
  90             if "SimulatedObservationAtBackground" in self._parameters["StoreSupplementaryCalculations"]:
  91                 self.StoredVariables["SimulatedObservationAtBackground"].store( numpy.ravel(HXb) )
  92             d  = EnsembleY[:,iens] - HXb
  93             if "Innovation" in self._parameters["StoreSupplementaryCalculations"]:
  94                 self.StoredVariables["Innovation"].store( numpy.ravel(d) )
  95             Xa = Xb[iens] + K*d
  96             self.StoredVariables["CurrentState"].store( Xa )
  97             if "SimulatedObservationAtCurrentState" in self._parameters["StoreSupplementaryCalculations"]:
  98                 self.StoredVariables["SimulatedObservationAtCurrentState"].store( Hm * Xa )
  99         #
 100         # Fabrication de l'analyse
 101         # ------------------------
 102         Members = self.StoredVariables["CurrentState"][-nb_ens:]
 103         Xa = numpy.matrix( Members ).mean(axis=0)
 104         self.StoredVariables["Analysis"].store( Xa.A1 )
 105         if "SimulatedObservationAtOptimum" in self._parameters["StoreSupplementaryCalculations"]:
 106             self.StoredVariables["SimulatedObservationAtOptimum"].store( numpy.ravel( Hm * Xa ) )
 107         #
 108         self._post_run(HO)
 109         return 0
 110
 111 # ==============================================================================
 112 if __name__ == "__main__":
 113     print('\n AUTODIAGNOSTIC \n')