src/daComposant/daAlgorithms/SamplingTest.py

   1 # -*- coding: utf-8 -*-
   2 #
   3 # Copyright (C) 2008-2020 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, itertools
  26
  27 # ==============================================================================
  28 class ElementaryAlgorithm(BasicObjects.Algorithm):
  29     def __init__(self):
  30         BasicObjects.Algorithm.__init__(self, "SAMPLINGTEST")
  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 échantillonages 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 échantillonages 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'échantillonage indépendant de la variable selon la spécification ['distribution',[parametres],nombre]",
  54             )
  55         self.defineRequiredParameter(
  56             name     = "QualityCriterion",
  57             default  = "AugmentedWeightedLeastSquares",
  58             typecast = str,
  59             message  = "Critère de qualité utilisé",
  60             listval  = ["AugmentedWeightedLeastSquares","AWLS","AugmentedPonderatedLeastSquares","APLS","DA",
  61                         "WeightedLeastSquares","WLS","PonderatedLeastSquares","PLS",
  62                         "LeastSquares","LS","L2",
  63                         "AbsoluteValue","L1",
  64                         "MaximumError","ME"],
  65             )
  66         self.defineRequiredParameter(
  67             name     = "SetDebug",
  68             default  = False,
  69             typecast = bool,
  70             message  = "Activation du mode debug lors de l'exécution",
  71             )
  72         self.defineRequiredParameter(
  73             name     = "StoreSupplementaryCalculations",
  74             default  = [],
  75             typecast = tuple,
  76             message  = "Liste de calculs supplémentaires à stocker et/ou effectuer",
  77             listval  = [
  78                 "CostFunctionJ",
  79                 "CostFunctionJb",
  80                 "CostFunctionJo",
  81                 "CurrentState",
  82                 "InnovationAtCurrentState",
  83                 "SimulatedObservationAtCurrentState",
  84                 ]
  85             )
  86         self.defineRequiredParameter(
  87             name     = "SetSeed",
  88             typecast = numpy.random.seed,
  89             message  = "Graine fixée pour le générateur aléatoire",
  90             )
  91         self.requireInputArguments(
  92             mandatory= ("Xb", "HO"),
  93             )
  94
  95     def run(self, Xb=None, Y=None, U=None, HO=None, EM=None, CM=None, R=None, B=None, Q=None, Parameters=None):
  96         self._pre_run(Parameters, Xb, Y, R, B, Q)
  97         #
  98         Hm = HO["Direct"].appliedTo
  99         #
 100         Xn = copy.copy( Xb )
 101         #
 102         # ---------------------------
 103         if len(self._parameters["SampleAsnUplet"]) > 0:
 104             sampleList = self._parameters["SampleAsnUplet"]
 105             for i,Xx in enumerate(sampleList):
 106                 if numpy.ravel(Xx).size != Xn.size:
 107                     raise ValueError("The size %i of the %ith state X in the sample and %i of the checking point Xb are different, they have to be identical."%(numpy.ravel(Xx).size,i+1,Xn.size))
 108         elif len(self._parameters["SampleAsExplicitHyperCube"]) > 0:
 109             sampleList = itertools.product(*list(self._parameters["SampleAsExplicitHyperCube"]))
 110         elif len(self._parameters["SampleAsMinMaxStepHyperCube"]) > 0:
 111             coordinatesList = []
 112             for i,dim in enumerate(self._parameters["SampleAsMinMaxStepHyperCube"]):
 113                 if len(dim) != 3:
 114                     raise ValueError("For dimension %i, the variable definition \"%s\" is incorrect, it should be [min,max,step]."%(i,dim))
 115                 else:
 116                     coordinatesList.append(numpy.linspace(dim[0],dim[1],1+int((float(dim[1])-float(dim[0]))/float(dim[2]))))
 117             sampleList = itertools.product(*coordinatesList)
 118         elif len(self._parameters["SampleAsIndependantRandomVariables"]) > 0:
 119             coordinatesList = []
 120             for i,dim in enumerate(self._parameters["SampleAsIndependantRandomVariables"]):
 121                 if len(dim) != 3:
 122                     raise ValueError("For dimension %i, the variable definition \"%s\" is incorrect, it should be ('distribution',(parameters),length) with distribution in ['normal'(mean,std),'lognormal'(mean,sigma),'uniform'(low,high),'weibull'(shape)]."%(i,dim))
 123                 elif not( str(dim[0]) in ['normal','lognormal','uniform','weibull'] and hasattr(numpy.random,dim[0]) ):
 124                     raise ValueError("For dimension %i, the distribution name \"%s\" is not allowed, please choose in ['normal'(mean,std),'lognormal'(mean,sigma),'uniform'(low,high),'weibull'(shape)]"%(i,dim[0]))
 125                 else:
 126                     distribution = getattr(numpy.random,str(dim[0]),'normal')
 127                     parameters   = dim[1]
 128                     coordinatesList.append(distribution(*dim[1], size=max(1,int(dim[2]))))
 129             sampleList = itertools.product(*coordinatesList)
 130         else:
 131             sampleList = iter([Xn,])
 132         # ----------
 133         BI = B.getI()
 134         RI = R.getI()
 135         def CostFunction(x, HmX, QualityMeasure="AugmentedWeightedLeastSquares"):
 136             if numpy.any(numpy.isnan(HmX)):
 137                 _X  = numpy.nan
 138                 _HX = numpy.nan
 139                 Jb, Jo, J = numpy.nan, numpy.nan, numpy.nan
 140             else:
 141                 _X  = numpy.asmatrix(numpy.ravel( x )).T
 142                 _HX = numpy.asmatrix(numpy.ravel( HmX )).T
 143                 if QualityMeasure in ["AugmentedWeightedLeastSquares","AWLS","AugmentedPonderatedLeastSquares","APLS","DA"]:
 144                     if BI is None or RI is None:
 145                         raise ValueError("Background and Observation error covariance matrix has to be properly defined!")
 146                     Jb  = 0.5 * (_X - Xb).T * BI * (_X - Xb)
 147                     Jo  = 0.5 * (Y - _HX).T * RI * (Y - _HX)
 148                 elif QualityMeasure in ["WeightedLeastSquares","WLS","PonderatedLeastSquares","PLS"]:
 149                     if RI is None:
 150                         raise ValueError("Observation error covariance matrix has to be properly defined!")
 151                     Jb  = 0.
 152                     Jo  = 0.5 * (Y - _HX).T * RI * (Y - _HX)
 153                 elif QualityMeasure in ["LeastSquares","LS","L2"]:
 154                     Jb  = 0.
 155                     Jo  = 0.5 * (Y - _HX).T * (Y - _HX)
 156                 elif QualityMeasure in ["AbsoluteValue","L1"]:
 157                     Jb  = 0.
 158                     Jo  = numpy.sum( numpy.abs(Y - _HX) )
 159                 elif QualityMeasure in ["MaximumError","ME"]:
 160                     Jb  = 0.
 161                     Jo  = numpy.max( numpy.abs(Y - _HX) )
 162                 #
 163                 J   = float( Jb ) + float( Jo )
 164             if self._toStore("CurrentState"):
 165                 self.StoredVariables["CurrentState"].store( _X )
 166             if self._toStore("InnovationAtCurrentState"):
 167                 self.StoredVariables["InnovationAtCurrentState"].store( Y - _HX )
 168             if self._toStore("SimulatedObservationAtCurrentState"):
 169                 self.StoredVariables["SimulatedObservationAtCurrentState"].store( _HX )
 170             self.StoredVariables["CostFunctionJb"].store( Jb )
 171             self.StoredVariables["CostFunctionJo"].store( Jo )
 172             self.StoredVariables["CostFunctionJ" ].store( J )
 173             return J, Jb, Jo
 174         # ----------
 175         if self._parameters["SetDebug"]:
 176             CUR_LEVEL = logging.getLogger().getEffectiveLevel()
 177             logging.getLogger().setLevel(logging.DEBUG)
 178             print("===> Beginning of evaluation, activating debug\n")
 179             print("     %s\n"%("-"*75,))
 180         #
 181         # ----------
 182         for i,Xx in enumerate(sampleList):
 183             if self._parameters["SetDebug"]:
 184                 print("===> Launching evaluation for state %i"%i)
 185             __Xn = numpy.asmatrix(numpy.ravel( Xx )).T
 186             try:
 187                 Yn = Hm( __Xn )
 188             except:
 189                 Yn = numpy.nan
 190             #
 191             J, Jb, Jo = CostFunction(__Xn,Yn,self._parameters["QualityCriterion"])
 192         # ----------
 193         #
 194         if self._parameters["SetDebug"]:
 195             print("\n     %s\n"%("-"*75,))
 196             print("===> End evaluation, deactivating debug if necessary\n")
 197             logging.getLogger().setLevel(CUR_LEVEL)
 198         #
 199         self._post_run(HO)
 200         return 0
 201
 202 # ==============================================================================
 203 if __name__ == "__main__":
 204     print('\n AUTODIAGNOSTIC\n')