1 #-*-coding:iso-8859-1-*-
3 # Copyright (C) 2008-2015 EDF R&D
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.
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.
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
19 # See http://www.salome-platform.org/ or email : webmaster.salome@opencascade.com
21 # Author: Jean-Philippe Argaud, jean-philippe.argaud@edf.fr, EDF R&D
24 from daCore import BasicObjects
27 # ==============================================================================
28 class ElementaryAlgorithm(BasicObjects.Algorithm):
30 BasicObjects.Algorithm.__init__(self, "LINEARITYTEST")
31 self.defineRequiredParameter(
32 name = "ResiduFormula",
33 default = "CenteredDL",
35 message = "Formule de résidu utilisée",
36 listval = ["CenteredDL", "Taylor", "NominalTaylor", "NominalTaylorRMS"],
38 self.defineRequiredParameter(
39 name = "EpsilonMinimumExponent",
42 message = "Exposant minimal en puissance de 10 pour le multiplicateur d'incrément",
46 self.defineRequiredParameter(
47 name = "InitialDirection",
50 message = "Direction initiale de la dérivée directionnelle autour du point nominal",
52 self.defineRequiredParameter(
53 name = "AmplitudeOfInitialDirection",
56 message = "Amplitude de la direction initiale de la dérivée directionnelle autour du point nominal",
58 self.defineRequiredParameter(
59 name = "AmplitudeOfTangentPerturbation",
62 message = "Amplitude de la perturbation pour le calcul de la forme tangente",
66 self.defineRequiredParameter(
68 typecast = numpy.random.seed,
69 message = "Graine fixée pour le générateur aléatoire",
71 self.defineRequiredParameter(
75 message = "Titre du tableau et de la figure",
78 def run(self, Xb=None, Y=None, U=None, HO=None, EM=None, CM=None, R=None, B=None, Q=None, Parameters=None):
81 # Paramètres de pilotage
82 # ----------------------
83 self.setParameters(Parameters)
87 return math.sqrt( ((numpy.ravel(V2) - numpy.ravel(V1))**2).sum() / float(numpy.ravel(V1).size) )
91 Hm = HO["Direct"].appliedTo
92 if self._parameters["ResiduFormula"] in ["Taylor", "NominalTaylor", "NominalTaylorRMS"]:
93 Ht = HO["Tangent"].appliedInXTo
95 # Construction des perturbations
96 # ------------------------------
97 Perturbations = [ 10**i for i in xrange(self._parameters["EpsilonMinimumExponent"],1) ]
98 Perturbations.reverse()
100 # Calcul du point courant
101 # -----------------------
102 Xn = numpy.asmatrix(numpy.ravel( Xb )).T
103 FX = numpy.asmatrix(numpy.ravel( Hm( Xn ) )).T
104 NormeX = numpy.linalg.norm( Xn )
105 NormeFX = numpy.linalg.norm( FX )
107 # Fabrication de la direction de l'incrément dX
108 # ----------------------------------------------
109 if len(self._parameters["InitialDirection"]) == 0:
113 dX0.append( numpy.random.normal(0.,abs(v)) )
115 dX0.append( numpy.random.normal(0.,Xn.mean()) )
117 dX0 = numpy.ravel( self._parameters["InitialDirection"] )
119 dX0 = float(self._parameters["AmplitudeOfInitialDirection"]) * numpy.matrix( dX0 ).T
121 # Calcul du gradient au point courant X pour l'incrément dX
122 # ---------------------------------------------------------
123 if self._parameters["ResiduFormula"] in ["Taylor", "NominalTaylor", "NominalTaylorRMS"]:
124 dX1 = float(self._parameters["AmplitudeOfTangentPerturbation"]) * dX0
125 GradFxdX = Ht( (Xn, dX1) )
126 GradFxdX = numpy.asmatrix(numpy.ravel( GradFxdX )).T
127 GradFxdX = float(1./self._parameters["AmplitudeOfTangentPerturbation"]) * GradFxdX
129 # Entete des resultats
130 # --------------------
132 if self._parameters["ResiduFormula"] == "CenteredDL":
133 __entete = " i Alpha ||X|| ||F(X)|| | R(Alpha) log10( R ) "
135 On observe le résidu provenant de la différence centrée des valeurs de F
136 au point nominal et aux points perturbés, normalisée par la valeur au
139 || F(X+Alpha*dX) + F(X-Alpha*dX) - 2*F(X) ||
140 R(Alpha) = --------------------------------------------
143 S'il reste constamment trés faible par rapport à 1, l'hypothèse de linéarité
146 Si le résidu varie, ou qu'il est de l'ordre de 1 ou plus, et qu'il n'est
147 faible qu'à partir d'un certain ordre d'incrément, l'hypothèse de linéarité
148 de F n'est pas vérifiée.
150 Si le résidu décroit et que la décroissance se fait en Alpha**2 selon Alpha,
151 cela signifie que le gradient est calculable jusqu'à la précision d'arrêt
152 de la décroissance quadratique.
154 On prend dX0 = Normal(0,X) et dX = Alpha*dX0. F est le code de calcul.
156 if self._parameters["ResiduFormula"] == "Taylor":
157 __entete = " i Alpha ||X|| ||F(X)|| | R(Alpha) log10( R ) "
159 On observe le résidu issu du développement de Taylor de la fonction F,
160 normalisée par la valeur au point nominal :
162 || F(X+Alpha*dX) - F(X) - Alpha * GradientF_X(dX) ||
163 R(Alpha) = ----------------------------------------------------
166 S'il reste constamment trés faible par rapport à 1, l'hypothèse de linéarité
169 Si le résidu varie, ou qu'il est de l'ordre de 1 ou plus, et qu'il n'est
170 faible qu'à partir d'un certain ordre d'incrément, l'hypothèse de linéarité
171 de F n'est pas vérifiée.
173 Si le résidu décroit et que la décroissance se fait en Alpha**2 selon Alpha,
174 cela signifie que le gradient est bien calculé jusqu'à la précision d'arrêt
175 de la décroissance quadratique.
177 On prend dX0 = Normal(0,X) et dX = Alpha*dX0. F est le code de calcul.
179 if self._parameters["ResiduFormula"] == "NominalTaylor":
180 __entete = " i Alpha ||X|| ||F(X)|| | R(Alpha) |R-1| en % "
182 On observe le résidu obtenu à partir de deux approximations d'ordre 1 de F(X),
183 normalisées par la valeur au point nominal :
186 || F(X+Alpha*dX) - Alpha * F(dX) || / || F(X) ||,
187 || F(X-Alpha*dX) + Alpha * F(dX) || / || F(X) ||,
190 S'il reste constamment égal à 1 à moins de 2 ou 3 pourcents prés (c'est-à-dire
191 que |R-1| reste égal à 2 ou 3 pourcents), c'est que l'hypothèse de linéarité
194 S'il est égal à 1 sur une partie seulement du domaine de variation de
195 l'incrément Alpha, c'est sur cette partie que l'hypothèse de linéarité de F
198 On prend dX0 = Normal(0,X) et dX = Alpha*dX0. F est le code de calcul.
200 if self._parameters["ResiduFormula"] == "NominalTaylorRMS":
201 __entete = " i Alpha ||X|| ||F(X)|| | R(Alpha) |R| en % "
203 On observe le résidu obtenu à partir de deux approximations d'ordre 1 de F(X),
204 normalisées par la valeur au point nominal :
207 RMS( F(X), F(X+Alpha*dX) - Alpha * F(dX) ) / || F(X) ||,
208 RMS( F(X), F(X-Alpha*dX) + Alpha * F(dX) ) / || F(X) ||,
211 S'il reste constamment égal à 0 à moins de 1 ou 2 pourcents prés, c'est
212 que l'hypothèse de linéarité de F est vérifiée.
214 S'il est égal à 0 sur une partie seulement du domaine de variation de
215 l'incrément Alpha, c'est sur cette partie que l'hypothèse de linéarité de F
218 On prend dX0 = Normal(0,X) et dX = Alpha*dX0. F est le code de calcul.
221 if len(self._parameters["ResultTitle"]) > 0:
223 msgs += __marge + "====" + "="*len(self._parameters["ResultTitle"]) + "====\n"
224 msgs += __marge + " " + self._parameters["ResultTitle"] + "\n"
225 msgs += __marge + "====" + "="*len(self._parameters["ResultTitle"]) + "====\n"
230 __nbtirets = len(__entete)
231 msgs += "\n" + __marge + "-"*__nbtirets
232 msgs += "\n" + __marge + __entete
233 msgs += "\n" + __marge + "-"*__nbtirets
235 # Boucle sur les perturbations
236 # ----------------------------
237 for i,amplitude in enumerate(Perturbations):
240 if self._parameters["ResiduFormula"] == "CenteredDL":
241 FX_plus_dX = numpy.asmatrix(numpy.ravel( Hm( Xn + dX ) )).T
242 FX_moins_dX = numpy.asmatrix(numpy.ravel( Hm( Xn - dX ) )).T
244 Residu = numpy.linalg.norm( FX_plus_dX + FX_moins_dX - 2 * FX ) / NormeFX
246 self.StoredVariables["CostFunctionJ"].store( Residu )
247 msg = " %2i %5.0e %9.3e %9.3e | %9.3e %4.0f"%(i,amplitude,NormeX,NormeFX,Residu,math.log10(max(1.e-99,Residu)))
248 msgs += "\n" + __marge + msg
250 if self._parameters["ResiduFormula"] == "Taylor":
251 FX_plus_dX = numpy.asmatrix(numpy.ravel( Hm( Xn + dX ) )).T
253 Residu = numpy.linalg.norm( FX_plus_dX - FX - amplitude * GradFxdX ) / NormeFX
255 self.StoredVariables["CostFunctionJ"].store( Residu )
256 msg = " %2i %5.0e %9.3e %9.3e | %9.3e %4.0f"%(i,amplitude,NormeX,NormeFX,Residu,math.log10(max(1.e-99,Residu)))
257 msgs += "\n" + __marge + msg
259 if self._parameters["ResiduFormula"] == "NominalTaylor":
260 FX_plus_dX = numpy.asmatrix(numpy.ravel( Hm( Xn + dX ) )).T
261 FX_moins_dX = numpy.asmatrix(numpy.ravel( Hm( Xn - dX ) )).T
262 FdX = numpy.asmatrix(numpy.ravel( Hm( dX ) )).T
265 numpy.linalg.norm( FX_plus_dX - amplitude * FdX ) / NormeFX,
266 numpy.linalg.norm( FX_moins_dX + amplitude * FdX ) / NormeFX,
269 self.StoredVariables["CostFunctionJ"].store( Residu )
270 msg = " %2i %5.0e %9.3e %9.3e | %9.3e %5i %s"%(i,amplitude,NormeX,NormeFX,Residu,100.*abs(Residu-1.),"%")
271 msgs += "\n" + __marge + msg
273 if self._parameters["ResiduFormula"] == "NominalTaylorRMS":
274 FX_plus_dX = numpy.asmatrix(numpy.ravel( Hm( Xn + dX ) )).T
275 FX_moins_dX = numpy.asmatrix(numpy.ravel( Hm( Xn - dX ) )).T
276 FdX = numpy.asmatrix(numpy.ravel( Hm( dX ) )).T
279 RMS( FX, FX_plus_dX - amplitude * FdX ) / NormeFX,
280 RMS( FX, FX_moins_dX + amplitude * FdX ) / NormeFX,
283 self.StoredVariables["CostFunctionJ"].store( Residu )
284 msg = " %2i %5.0e %9.3e %9.3e | %9.3e %5i %s"%(i,amplitude,NormeX,NormeFX,Residu,100.*Residu,"%")
285 msgs += "\n" + __marge + msg
287 msgs += "\n" + __marge + "-"*__nbtirets
290 # Sorties eventuelles
291 # -------------------
293 print "Results of linearity check by \"%s\" formula:"%self._parameters["ResiduFormula"]
299 # ==============================================================================
300 if __name__ == "__main__":
301 print '\n AUTODIAGNOSTIC \n'