src/daComposant/daAlgorithms/EnsembleBlue.py

   1 #-*-coding:iso-8859-1-*-
   2 #
   3 #  Copyright (C) 2008-2013 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, PlatformInfo
  25 m = PlatformInfo.SystemUsage()
  26
  27 import numpy
  28
  29 # ==============================================================================
  30 class ElementaryAlgorithm(BasicObjects.Algorithm):
  31     def __init__(self):
  32         BasicObjects.Algorithm.__init__(self, "ENSEMBLEBLUE")
  33         self.defineRequiredParameter(
  34             name     = "SetSeed",
  35             typecast = numpy.random.seed,
  36             message  = "Graine fixée pour le générateur aléatoire",
  37             )
  38
  39     def run(self, Xb=None, Y=None, U=None, HO=None, EM=None, CM=None, R=None, B=None, Q=None, Parameters=None):
  40         logging.debug("%s Lancement"%self._name)
  41         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("M")))
  42         #
  43         # Paramètres de pilotage
  44         # ----------------------
  45         self.setParameters(Parameters)
  46         #
  47         # Précalcul des inversions de B et R
  48         # ----------------------------------
  49         BI = B.getI()
  50         RI = R.getI()
  51         #
  52         # Nombre d'ensemble pour l'ébauche
  53         # --------------------------------
  54         nb_ens = Xb.stepnumber()
  55         #
  56         # Construction de l'ensemble des observations, par génération a partir
  57         # de la diagonale de R
  58         # --------------------------------------------------------------------
  59         DiagonaleR = R.diag(Y.size)
  60         EnsembleY = numpy.zeros([Y.size,nb_ens])
  61         for npar in range(DiagonaleR.size):
  62             bruit = numpy.random.normal(0,DiagonaleR[npar],nb_ens)
  63             EnsembleY[npar,:] = Y[npar] + bruit
  64         EnsembleY = numpy.matrix(EnsembleY)
  65         #
  66         # Initialisation des opérateurs d'observation et de la matrice gain
  67         # -----------------------------------------------------------------
  68         Hm = HO["Tangent"].asMatrix(None)
  69         Hm = Hm.reshape(Y.size,Xb[0].size) # ADAO & check shape
  70         Ha = HO["Adjoint"].asMatrix(None)
  71         Ha = Ha.reshape(Xb[0].size,Y.size) # ADAO & check shape
  72         #
  73         # Calcul de la matrice de gain dans l'espace le plus petit et de l'analyse
  74         # ------------------------------------------------------------------------
  75         if Y.size <= Xb[0].size:
  76             K  = B * Ha * (R + Hm * B * Ha).I
  77         else:
  78             K = (BI + Ha * RI * Hm).I * Ha * RI
  79         #
  80         # Calcul du BLUE pour chaque membre de l'ensemble
  81         # -----------------------------------------------
  82         for iens in range(nb_ens):
  83             d  = EnsembleY[:,iens] - Hm * Xb[iens]
  84             Xa = Xb[iens] + K*d
  85
  86             self.StoredVariables["CurrentState"].store( Xa.A1 )
  87             self.StoredVariables["Innovation"].store( d.A1 )
  88         #
  89         # Fabrication de l'analyse
  90         # ------------------------
  91         Members = self.StoredVariables["CurrentState"][-nb_ens:]
  92         Xa = numpy.matrix( Members ).mean(axis=0)
  93         self.StoredVariables["Analysis"].store( Xa.A1 )
  94         #
  95         logging.debug("%s Nombre d'évaluation(s) de l'opérateur d'observation direct/tangent/adjoint : %i/%i/%i"%(self._name, HO["Direct"].nbcalls()[0],HO["Tangent"].nbcalls()[0],HO["Adjoint"].nbcalls()[0]))
  96         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("M")))
  97         logging.debug("%s Terminé"%self._name)
  98         return 0
  99
 100 # ==============================================================================
 101 if __name__ == "__main__":
 102     print '\n AUTODIAGNOSTIC \n'