src/daComposant/daAlgorithms/ParticleSwarmOptimization.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, copy
  26
  27 # ==============================================================================
  28 class ElementaryAlgorithm(BasicObjects.Algorithm):
  29     def __init__(self):
  30         BasicObjects.Algorithm.__init__(self, "PARTICLESWARMOPTIMIZATION")
  31         self.defineRequiredParameter(
  32             name     = "MaximumNumberOfSteps",
  33             default  = 50,
  34             typecast = int,
  35             message  = "Nombre maximal de pas d'optimisation",
  36             minval   = 0,
  37             )
  38         self.defineRequiredParameter(
  39             name     = "MaximumNumberOfFunctionEvaluations",
  40             default  = 15000,
  41             typecast = int,
  42             message  = "Nombre maximal d'évaluations de la fonction",
  43             minval   = -1,
  44             )
  45         self.defineRequiredParameter(
  46             name     = "SetSeed",
  47             typecast = numpy.random.seed,
  48             message  = "Graine fixée pour le générateur aléatoire",
  49             )
  50         self.defineRequiredParameter(
  51             name     = "NumberOfInsects",
  52             default  = 100,
  53             typecast = int,
  54             message  = "Nombre d'insectes dans l'essaim",
  55             minval   = -1,
  56             )
  57         self.defineRequiredParameter(
  58             name     = "SwarmVelocity",
  59             default  = 1.,
  60             typecast = float,
  61             message  = "Vitesse de groupe imposée par l'essaim",
  62             minval   = 0.,
  63             )
  64         self.defineRequiredParameter(
  65             name     = "GroupRecallRate",
  66             default  = 0.5,
  67             typecast = float,
  68             message  = "Taux de rappel au meilleur insecte du groupe (entre 0 et 1)",
  69             minval   = 0.,
  70             maxval   = 1.,
  71             )
  72         self.defineRequiredParameter(
  73             name     = "QualityCriterion",
  74             default  = "AugmentedWeightedLeastSquares",
  75             typecast = str,
  76             message  = "Critère de qualité utilisé",
  77             listval  = ["AugmentedWeightedLeastSquares","AWLS","AugmentedPonderatedLeastSquares","APLS","DA",
  78                         "WeightedLeastSquares","WLS","PonderatedLeastSquares","PLS",
  79                         "LeastSquares","LS","L2",
  80                         "AbsoluteValue","L1",
  81                         "MaximumError","ME"],
  82             )
  83         self.defineRequiredParameter(
  84             name     = "StoreInternalVariables",
  85             default  = False,
  86             typecast = bool,
  87             message  = "Stockage des variables internes ou intermédiaires du calcul",
  88             )
  89         self.defineRequiredParameter(
  90             name     = "StoreSupplementaryCalculations",
  91             default  = [],
  92             typecast = tuple,
  93             message  = "Liste de calculs supplémentaires à stocker et/ou effectuer",
  94             listval  = [
  95                 "BMA",
  96                 "CurrentState",
  97                 "CostFunctionJ",
  98                 "CostFunctionJb",
  99                 "CostFunctionJo",
 100                 "Innovation",
 101                 "OMA",
 102                 "OMB",
 103                 "SimulatedObservationAtBackground",
 104                 "SimulatedObservationAtCurrentState",
 105                 "SimulatedObservationAtOptimum",
 106                 ]
 107             )
 108         self.defineRequiredParameter( # Pas de type
 109             name     = "BoxBounds",
 110             message  = "Liste des valeurs de bornes d'incréments de paramètres",
 111             )
 112         self.requireInputArguments(
 113             mandatory= ("Xb", "Y", "HO", "R", "B"),
 114             )
 115
 116     def run(self, Xb=None, Y=None, U=None, HO=None, EM=None, CM=None, R=None, B=None, Q=None, Parameters=None):
 117         self._pre_run(Parameters, Xb, Y, R, B, Q)
 118         #
 119         if ("BoxBounds" in self._parameters) and isinstance(self._parameters["BoxBounds"], (list, tuple)) and (len(self._parameters["BoxBounds"]) > 0):
 120             BoxBounds = self._parameters["BoxBounds"]
 121             logging.debug("%s Prise en compte des bornes d'incréments de paramètres effectuee"%(self._name,))
 122         else:
 123             raise ValueError("Particle Swarm Optimization requires bounds on all variables to be given.")
 124         BoxBounds   = numpy.array(BoxBounds)
 125         if numpy.isnan(BoxBounds).any():
 126             raise ValueError("Particle Swarm Optimization requires bounds on all variables increments to be truly given, \"None\" is not allowed. The actual increments bounds are:\n%s"%BoxBounds)
 127         #
 128         Phig = float( self._parameters["GroupRecallRate"] )
 129         Phip = 1. - Phig
 130         logging.debug("%s Taux de rappel au meilleur insecte du groupe (entre 0 et 1) = %s et à la meilleure position précédente (son complémentaire à 1) = %s"%(self._name, str(Phig), str(Phip)))
 131         #
 132         # Opérateur d'observation
 133         # -----------------------
 134         Hm = HO["Direct"].appliedTo
 135         #
 136         # Précalcul des inversions de B et R
 137         # ----------------------------------
 138         BI = B.getI()
 139         RI = R.getI()
 140         #
 141         # Définition de la fonction-coût
 142         # ------------------------------
 143         def CostFunction(x, QualityMeasure="AugmentedWeightedLeastSquares"):
 144             _X  = numpy.asmatrix(numpy.ravel( x )).T
 145             _HX = Hm( _X )
 146             _HX = numpy.asmatrix(numpy.ravel( _HX )).T
 147             #
 148             if QualityMeasure in ["AugmentedWeightedLeastSquares","AWLS","AugmentedPonderatedLeastSquares","APLS","DA"]:
 149                 if BI is None or RI is None:
 150                     raise ValueError("Background and Observation error covariance matrix has to be properly defined!")
 151                 Jb  = 0.5 * (_X - Xb).T * BI * (_X - Xb)
 152                 Jo  = 0.5 * (Y - _HX).T * RI * (Y - _HX)
 153             elif QualityMeasure in ["WeightedLeastSquares","WLS","PonderatedLeastSquares","PLS"]:
 154                 if RI is None:
 155                     raise ValueError("Observation error covariance matrix has to be properly defined!")
 156                 Jb  = 0.
 157                 Jo  = 0.5 * (Y - _HX).T * RI * (Y - _HX)
 158             elif QualityMeasure in ["LeastSquares","LS","L2"]:
 159                 Jb  = 0.
 160                 Jo  = 0.5 * (Y - _HX).T * (Y - _HX)
 161             elif QualityMeasure in ["AbsoluteValue","L1"]:
 162                 Jb  = 0.
 163                 Jo  = numpy.sum( numpy.abs(Y - _HX) )
 164             elif QualityMeasure in ["MaximumError","ME"]:
 165                 Jb  = 0.
 166                 Jo  = numpy.max( numpy.abs(Y - _HX) )
 167             #
 168             J   = float( Jb ) + float( Jo )
 169             #
 170             return J
 171         #
 172         # Point de démarrage de l'optimisation : Xini = Xb
 173         # ------------------------------------
 174         if isinstance(Xb, type(numpy.matrix([]))):
 175             Xini = Xb.A1.tolist()
 176         elif Xb is not None:
 177             Xini = list(Xb)
 178         else:
 179             Xini = numpy.zeros(len(BoxBounds[:,0]))
 180         #
 181         # Initialisation des bornes
 182         # -------------------------
 183         SpaceUp  = BoxBounds[:,1] + Xini
 184         SpaceLow = BoxBounds[:,0] + Xini
 185         nbparam  = len(SpaceUp)
 186         #
 187         # Initialisation de l'essaim
 188         # --------------------------
 189         NumberOfFunctionEvaluations = 0
 190         LimitVelocity = numpy.abs(SpaceUp-SpaceLow)
 191         #
 192         PosInsect = []
 193         VelocityInsect = []
 194         for i in range(nbparam) :
 195             PosInsect.append(numpy.random.uniform(low=SpaceLow[i], high=SpaceUp[i], size=self._parameters["NumberOfInsects"]))
 196             VelocityInsect.append(numpy.random.uniform(low=-LimitVelocity[i], high=LimitVelocity[i], size=self._parameters["NumberOfInsects"]))
 197         VelocityInsect = numpy.matrix(VelocityInsect)
 198         PosInsect = numpy.matrix(PosInsect)
 199         #
 200         BestPosInsect = numpy.array(PosInsect)
 201         qBestPosInsect = []
 202         Best = copy.copy(SpaceLow)
 203         qBest = CostFunction(Best,self._parameters["QualityCriterion"])
 204         NumberOfFunctionEvaluations += 1
 205         #
 206         for i in range(self._parameters["NumberOfInsects"]):
 207             insect  = numpy.ravel(PosInsect[:,i])
 208             quality = CostFunction(insect,self._parameters["QualityCriterion"])
 209             NumberOfFunctionEvaluations += 1
 210             qBestPosInsect.append(quality)
 211             if quality < qBest:
 212                 Best  = copy.copy( insect )
 213                 qBest = copy.copy( quality )
 214         logging.debug("%s Initialisation, Insecte = %s, Qualité = %s"%(self._name, str(Best), str(qBest)))
 215         #
 216         if self._parameters["StoreInternalVariables"] or self._toStore("CurrentState"):
 217             self.StoredVariables["CurrentState"].store( Best )
 218         self.StoredVariables["CostFunctionJb"].store( 0. )
 219         self.StoredVariables["CostFunctionJo"].store( 0. )
 220         self.StoredVariables["CostFunctionJ" ].store( qBest )
 221         #
 222         # Minimisation de la fonctionnelle
 223         # --------------------------------
 224         for n in range(self._parameters["MaximumNumberOfSteps"]):
 225             for i in range(self._parameters["NumberOfInsects"]) :
 226                 insect  = numpy.ravel(PosInsect[:,i])
 227                 rp = numpy.random.uniform(size=nbparam)
 228                 rg = numpy.random.uniform(size=nbparam)
 229                 for j in range(nbparam) :
 230                     VelocityInsect[j,i] = self._parameters["SwarmVelocity"]*VelocityInsect[j,i] +  Phip*rp[j]*(BestPosInsect[j,i]-PosInsect[j,i]) +  Phig*rg[j]*(Best[j]-PosInsect[j,i])
 231                     PosInsect[j,i] = PosInsect[j,i]+VelocityInsect[j,i]
 232                 quality = CostFunction(insect,self._parameters["QualityCriterion"])
 233                 NumberOfFunctionEvaluations += 1
 234                 if quality < qBestPosInsect[i]:
 235                     BestPosInsect[:,i] = copy.copy( insect )
 236                     qBestPosInsect[i]  = copy.copy( quality )
 237                     if quality < qBest :
 238                         Best  = copy.copy( insect )
 239                         qBest = copy.copy( quality )
 240             logging.debug("%s Etape %i, Insecte = %s, Qualité = %s"%(self._name, n, str(Best), str(qBest)))
 241             #
 242             if self._parameters["StoreInternalVariables"] or self._toStore("CurrentState"):
 243                 self.StoredVariables["CurrentState"].store( Best )
 244             if self._toStore("SimulatedObservationAtCurrentState"):
 245                 _HmX = Hm( numpy.asmatrix(numpy.ravel( Best )).T )
 246                 _HmX = numpy.asmatrix(numpy.ravel( _HmX )).T
 247                 self.StoredVariables["SimulatedObservationAtCurrentState"].store( _HmX )
 248             self.StoredVariables["CostFunctionJb"].store( 0. )
 249             self.StoredVariables["CostFunctionJo"].store( 0. )
 250             self.StoredVariables["CostFunctionJ" ].store( qBest )
 251             if NumberOfFunctionEvaluations > self._parameters["MaximumNumberOfFunctionEvaluations"]:
 252                 logging.debug("%s Stopping search because the number %i of function evaluations is exceeding the maximum %i."%(self._name, NumberOfFunctionEvaluations, self._parameters["MaximumNumberOfFunctionEvaluations"]))
 253                 break
 254         #
 255         # Obtention de l'analyse
 256         # ----------------------
 257         Xa = numpy.asmatrix(numpy.ravel( Best )).T
 258         #
 259         self.StoredVariables["Analysis"].store( Xa.A1 )
 260         #
 261         if self._toStore("Innovation") or \
 262             self._toStore("OMB") or \
 263             self._toStore("SimulatedObservationAtBackground"):
 264             HXb = Hm(Xb)
 265             d = Y - HXb
 266         if self._toStore("OMA") or \
 267             self._toStore("SimulatedObservationAtOptimum"):
 268             HXa = Hm(Xa)
 269         #
 270         # Calculs et/ou stockages supplémentaires
 271         # ---------------------------------------
 272         if self._toStore("Innovation"):
 273             self.StoredVariables["Innovation"].store( numpy.ravel(d) )
 274         if self._toStore("BMA"):
 275             self.StoredVariables["BMA"].store( numpy.ravel(Xb) - numpy.ravel(Xa) )
 276         if self._toStore("OMA"):
 277             self.StoredVariables["OMA"].store( numpy.ravel(Y) - numpy.ravel(HXa) )
 278         if self._toStore("OMB"):
 279             self.StoredVariables["OMB"].store( numpy.ravel(d) )
 280         if self._toStore("SimulatedObservationAtBackground"):
 281             self.StoredVariables["SimulatedObservationAtBackground"].store( numpy.ravel(HXb) )
 282         if self._toStore("SimulatedObservationAtOptimum"):
 283             self.StoredVariables["SimulatedObservationAtOptimum"].store( numpy.ravel(HXa) )
 284         #
 285         self._post_run(HO)
 286         return 0
 287
 288 # ==============================================================================
 289 if __name__ == "__main__":
 290     print('\n AUTODIAGNOSTIC \n')