src/daComposant/daAlgorithms/EnsembleOfSimulationGenerationTask.py

   1 # -*- coding: utf-8 -*-
   2 #
   3 # Copyright (C) 2008-2023 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 numpy
  24 from daCore import BasicObjects
  25 from daAlgorithms.Atoms import eosg
  26
  27 # ==============================================================================
  28 class ElementaryAlgorithm(BasicObjects.Algorithm):
  29     def __init__(self):
  30         BasicObjects.Algorithm.__init__(self, "ENSEMBLEOFSIMULATIONGENERATION")
  31         self.defineRequiredParameter(
  32             name     = "SampleAsnUplet",
  33             default  = [],
  34             typecast = tuple,
  35             message  = "Points de calcul définis par une liste de n-uplet",
  36             )
  37         self.defineRequiredParameter(
  38             name     = "SampleAsExplicitHyperCube",
  39             default  = [],
  40             typecast = tuple,
  41             message  = "Points de calcul définis par un hyper-cube dont on donne la liste des échantillonnages de chaque variable comme une liste",
  42             )
  43         self.defineRequiredParameter(
  44             name     = "SampleAsMinMaxStepHyperCube",
  45             default  = [],
  46             typecast = tuple,
  47             message  = "Points de calcul définis par un hyper-cube dont on donne la liste des échantillonnages de chaque variable par un triplet [min,max,step]",
  48             )
  49         self.defineRequiredParameter(
  50             name     = "SampleAsIndependantRandomVariables",
  51             default  = [],
  52             typecast = tuple,
  53             message  = "Points de calcul définis par un hyper-cube dont les points sur chaque axe proviennent de l'échantillonnage indépendant de la variable selon la spécification ['distribution',[parametres],nombre]",
  54             )
  55         self.defineRequiredParameter(
  56             name     = "SetDebug",
  57             default  = False,
  58             typecast = bool,
  59             message  = "Activation du mode debug lors de l'exécution",
  60             )
  61         self.defineRequiredParameter(
  62             name     = "StoreSupplementaryCalculations",
  63             default  = ["EnsembleOfSimulations",],
  64             typecast = tuple,
  65             message  = "Liste de calculs supplémentaires à stocker et/ou effectuer",
  66             listval  = [
  67                 "EnsembleOfSimulations",
  68                 "EnsembleOfStates",
  69                 ]
  70             )
  71         self.defineRequiredParameter(
  72             name     = "SetSeed",
  73             typecast = numpy.random.seed,
  74             message  = "Graine fixée pour le générateur aléatoire",
  75             )
  76         self.requireInputArguments(
  77             mandatory= ("Xb", "HO"),
  78             optional = (),
  79             )
  80         self.setAttributes(tags=(
  81             "Reduction",
  82             "Checking",
  83             ))
  84
  85     def run(self, Xb=None, Y=None, U=None, HO=None, EM=None, CM=None, R=None, B=None, Q=None, Parameters=None):
  86         self._pre_run(Parameters, Xb, Y, U, HO, EM, CM, R, B, Q)
  87         #
  88         #--------------------------
  89         eosg.eosg(self, Xb, HO)
  90         #--------------------------
  91         #
  92         self._post_run(HO)
  93         return 0
  94
  95 # ==============================================================================
  96 if __name__ == "__main__":
  97     print('\n AUTODIAGNOSTIC\n')