src/daComposant/daAlgorithms/EnsembleBlue.py

   1 #-*-coding:iso-8859-1-*-
   2 #
   3 #  Copyright (C) 2008-2014 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 import numpy
  27
  28 # ==============================================================================
  29 class ElementaryAlgorithm(BasicObjects.Algorithm):
  30     def __init__(self):
  31         BasicObjects.Algorithm.__init__(self, "ENSEMBLEBLUE")
  32         self.defineRequiredParameter(
  33             name     = "SetSeed",
  34             typecast = numpy.random.seed,
  35             message  = "Graine fixée pour le générateur aléatoire",
  36             )
  37
  38     def run(self, Xb=None, Y=None, U=None, HO=None, EM=None, CM=None, R=None, B=None, Q=None, Parameters=None):
  39         logging.debug("%s Lancement"%self._name)
  40         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("M")))
  41         #
  42         # Paramètres de pilotage
  43         # ----------------------
  44         self.setParameters(Parameters)
  45         #
  46         # Précalcul des inversions de B et R
  47         # ----------------------------------
  48         BI = B.getI()
  49         RI = R.getI()
  50         #
  51         # Nombre d'ensemble pour l'ébauche
  52         # --------------------------------
  53         nb_ens = Xb.stepnumber()
  54         #
  55         # Construction de l'ensemble des observations, par génération a partir
  56         # de la diagonale de R
  57         # --------------------------------------------------------------------
  58         DiagonaleR = R.diag(Y.size)
  59         EnsembleY = numpy.zeros([Y.size,nb_ens])
  60         for npar in range(DiagonaleR.size):
  61             bruit = numpy.random.normal(0,DiagonaleR[npar],nb_ens)
  62             EnsembleY[npar,:] = Y[npar] + bruit
  63         EnsembleY = numpy.matrix(EnsembleY)
  64         #
  65         # Initialisation des opérateurs d'observation et de la matrice gain
  66         # -----------------------------------------------------------------
  67         Hm = HO["Tangent"].asMatrix(None)
  68         Hm = Hm.reshape(Y.size,Xb[0].size) # ADAO & check shape
  69         Ha = HO["Adjoint"].asMatrix(None)
  70         Ha = Ha.reshape(Xb[0].size,Y.size) # ADAO & check shape
  71         #
  72         # Calcul de la matrice de gain dans l'espace le plus petit et de l'analyse
  73         # ------------------------------------------------------------------------
  74         if Y.size <= Xb[0].size:
  75             K  = B * Ha * (R + Hm * B * Ha).I
  76         else:
  77             K = (BI + Ha * RI * Hm).I * Ha * RI
  78         #
  79         # Calcul du BLUE pour chaque membre de l'ensemble
  80         # -----------------------------------------------
  81         for iens in range(nb_ens):
  82             d  = EnsembleY[:,iens] - Hm * Xb[iens]
  83             Xa = Xb[iens] + K*d
  84             self.StoredVariables["CurrentState"].store( Xa )
  85             self.StoredVariables["Innovation"].store( d.A1 )
  86         #
  87         # Fabrication de l'analyse
  88         # ------------------------
  89         Members = self.StoredVariables["CurrentState"][-nb_ens:]
  90         Xa = numpy.matrix( Members ).mean(axis=0)
  91         self.StoredVariables["Analysis"].store( Xa.A1 )
  92         #
  93         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]))
  94         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("M")))
  95         logging.debug("%s Terminé"%self._name)
  96         return 0
  97
  98 # ==============================================================================
  99 if __name__ == "__main__":
 100     print '\n AUTODIAGNOSTIC \n'