src/daComposant/daAlgorithms/LinearLeastSquares.py

   1 # -*- coding: utf-8 -*-
   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, "LINEARLEASTSQUARES")
  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  = ["OMA", "CurrentState", "CostFunctionJ", "CostFunctionJb", "CostFunctionJo", "SimulatedObservationAtCurrentState", "SimulatedObservationAtOptimum"]
  43             )
  44
  45     def run(self, Xb=None, Y=None, U=None, HO=None, EM=None, CM=None, R=None, B=None, Q=None, Parameters=None):
  46         self._pre_run(Parameters)
  47         #
  48         Hm = HO["Tangent"].asMatrix(None)
  49         Hm = Hm.reshape(Y.size,-1) # ADAO & check shape
  50         Ha = HO["Adjoint"].asMatrix(None)
  51         Ha = Ha.reshape(-1,Y.size) # ADAO & check shape
  52         #
  53         RI = R.getI()
  54         #
  55         # Calcul de la matrice de gain et de l'analyse
  56         # --------------------------------------------
  57         K = (Ha * RI * Hm).I * Ha * RI
  58         Xa =  K * Y
  59         self.StoredVariables["Analysis"].store( Xa.A1 )
  60         #
  61         # Calcul de la fonction coût
  62         # --------------------------
  63         if self._parameters["StoreInternalVariables"] or \
  64            "CostFunctionJ"                 in self._parameters["StoreSupplementaryCalculations"] or \
  65            "OMA"                           in self._parameters["StoreSupplementaryCalculations"] or \
  66            "SimulatedObservationAtOptimum" in self._parameters["StoreSupplementaryCalculations"]:
  67             HXa = Hm * Xa
  68             oma = Y - HXa
  69         if self._parameters["StoreInternalVariables"] or \
  70            "CostFunctionJ"                 in self._parameters["StoreSupplementaryCalculations"]:
  71             Jb  = 0.
  72             Jo  = 0.5 * oma.T * RI * oma
  73             J   = float( Jb ) + float( Jo )
  74             self.StoredVariables["CostFunctionJb"].store( Jb )
  75             self.StoredVariables["CostFunctionJo"].store( Jo )
  76             self.StoredVariables["CostFunctionJ" ].store( J )
  77         #
  78         # Calculs et/ou stockages supplémentaires
  79         # ---------------------------------------
  80         if self._parameters["StoreInternalVariables"] or "CurrentState" in self._parameters["StoreSupplementaryCalculations"]:
  81             self.StoredVariables["CurrentState"].store( numpy.ravel(Xa) )
  82         if "OMA" in self._parameters["StoreSupplementaryCalculations"]:
  83             self.StoredVariables["OMA"].store( numpy.ravel(oma) )
  84         if "SimulatedObservationAtCurrentState" in self._parameters["StoreSupplementaryCalculations"]:
  85             self.StoredVariables["SimulatedObservationAtCurrentState"].store( numpy.ravel(HXa) )
  86         if "SimulatedObservationAtOptimum" in self._parameters["StoreSupplementaryCalculations"]:
  87             self.StoredVariables["SimulatedObservationAtOptimum"].store( numpy.ravel(HXa) )
  88         #
  89         self._post_run(HO)
  90         return 0
  91
  92 # ==============================================================================
  93 if __name__ == "__main__":
  94     print('\n AUTODIAGNOSTIC \n')