src/daComposant/daAlgorithms/EnsembleBlue.py

   1 # -*- coding: utf-8 -*-
   2 #
   3 # Copyright (C) 2008-2019 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  = [
  43                 "Analysis",
  44                 "CurrentState",
  45                 "Innovation",
  46                 "SimulatedObservationAtBackground",
  47                 "SimulatedObservationAtCurrentState",
  48                 "SimulatedObservationAtOptimum",
  49                 ]
  50             )
  51         self.defineRequiredParameter(
  52             name     = "SetSeed",
  53             typecast = numpy.random.seed,
  54             message  = "Graine fixée pour le générateur aléatoire",
  55             )
  56         self.requireInputArguments(
  57             mandatory= ("Xb", "Y", "HO", "R", "B"),
  58             )
  59
  60     def run(self, Xb=None, Y=None, U=None, HO=None, EM=None, CM=None, R=None, B=None, Q=None, Parameters=None):
  61         self._pre_run(Parameters, Xb, Y, R, B, Q)
  62         #
  63         # Précalcul des inversions de B et R
  64         # ----------------------------------
  65         BI = B.getI()
  66         RI = R.getI()
  67         #
  68         # Nombre d'ensemble pour l'ébauche
  69         # --------------------------------
  70         nb_ens = Xb.stepnumber()
  71         #
  72         # Construction de l'ensemble des observations, par génération a partir
  73         # de la diagonale de R
  74         # --------------------------------------------------------------------
  75         DiagonaleR = R.diag(Y.size)
  76         EnsembleY = numpy.zeros([Y.size,nb_ens])
  77         for npar in range(DiagonaleR.size):
  78             bruit = numpy.random.normal(0,DiagonaleR[npar],nb_ens)
  79             EnsembleY[npar,:] = Y[npar] + bruit
  80         EnsembleY = numpy.matrix(EnsembleY)
  81         #
  82         # Initialisation des opérateurs d'observation et de la matrice gain
  83         # -----------------------------------------------------------------
  84         Hm = HO["Tangent"].asMatrix(None)
  85         Hm = Hm.reshape(Y.size,Xb[0].size) # ADAO & check shape
  86         Ha = HO["Adjoint"].asMatrix(None)
  87         Ha = Ha.reshape(Xb[0].size,Y.size) # ADAO & check shape
  88         #
  89         # Calcul de la matrice de gain dans l'espace le plus petit et de l'analyse
  90         # ------------------------------------------------------------------------
  91         if Y.size <= Xb[0].size:
  92             K  = B * Ha * (R + Hm * B * Ha).I
  93         else:
  94             K = (BI + Ha * RI * Hm).I * Ha * RI
  95         #
  96         # Calcul du BLUE pour chaque membre de l'ensemble
  97         # -----------------------------------------------
  98         for iens in range(nb_ens):
  99             HXb = Hm * Xb[iens]
 100             if self._toStore("SimulatedObservationAtBackground"):
 101                 self.StoredVariables["SimulatedObservationAtBackground"].store( numpy.ravel(HXb) )
 102             d  = EnsembleY[:,iens] - HXb
 103             if self._toStore("Innovation"):
 104                 self.StoredVariables["Innovation"].store( numpy.ravel(d) )
 105             Xa = Xb[iens] + K*d
 106             self.StoredVariables["CurrentState"].store( Xa )
 107             if self._toStore("SimulatedObservationAtCurrentState"):
 108                 self.StoredVariables["SimulatedObservationAtCurrentState"].store( Hm * Xa )
 109         #
 110         # Fabrication de l'analyse
 111         # ------------------------
 112         Members = self.StoredVariables["CurrentState"][-nb_ens:]
 113         Xa = numpy.matrix( Members ).mean(axis=0)
 114         self.StoredVariables["Analysis"].store( Xa.A1 )
 115         if self._toStore("SimulatedObservationAtOptimum"):
 116             self.StoredVariables["SimulatedObservationAtOptimum"].store( numpy.ravel( Hm * Xa ) )
 117         #
 118         self._post_run(HO)
 119         return 0
 120
 121 # ==============================================================================
 122 if __name__ == "__main__":
 123     print('\n AUTODIAGNOSTIC \n')