src/daComposant/daAlgorithms/SamplingTest.py

   1 #-*-coding:iso-8859-1-*-
   2 #
   3 #  Copyright (C) 2008-2014 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 = list,
  35             message  = "Points de calcul définis par une liste de n-uplet",
  36             )
  37         self.defineRequiredParameter(
  38             name     = "SampleAsExplicitHyperCube",
  39             default  = [],
  40             typecast = list,
  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 = list,
  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     = "SetDebug",
  51             default  = False,
  52             typecast = bool,
  53             message  = "Activation du mode debug lors de l'exécution",
  54             )
  55         self.defineRequiredParameter(
  56             name     = "StoreSupplementaryCalculations",
  57             default  = [],
  58             typecast = tuple,
  59             message  = "Liste de calculs supplémentaires à stocker et/ou effectuer",
  60             listval  = ["CostFunctionJ","CurrentState","Innovation","ObservedState"]
  61             )
  62
  63     def run(self, Xb=None, Y=None, U=None, HO=None, EM=None, CM=None, R=None, B=None, Q=None, Parameters=None):
  64         self._pre_run()
  65         #
  66         self.setParameters(Parameters)
  67         #
  68         Hm = HO["Direct"].appliedTo
  69         #
  70         Xn = copy.copy( Xb )
  71         #
  72         # ---------------------------
  73         if len(self._parameters["SampleAsnUplet"]) > 0:
  74             sampleList = self._parameters["SampleAsnUplet"]
  75             for i,Xx in enumerate(sampleList):
  76                 if numpy.ravel(Xx).size != Xn.size:
  77                     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))
  78         elif len(self._parameters["SampleAsExplicitHyperCube"]) > 0:
  79             sampleList = itertools.product(*list(self._parameters["SampleAsExplicitHyperCube"]))
  80         elif len(self._parameters["SampleAsMinMaxStepHyperCube"]) > 0:
  81             coordinatesList = []
  82             for i,dim in enumerate(self._parameters["SampleAsMinMaxStepHyperCube"]):
  83                 if len(dim) != 3:
  84                     raise ValueError("For dimension %i, the variable definition %s is incorrect, it should be [min,max,step]."%(i,dim))
  85                 else:
  86                     coordinatesList.append(numpy.linspace(*dim))
  87             sampleList = itertools.product(*coordinatesList)
  88         else:
  89             sampleList = iter([Xn,])
  90         # ----------
  91         BI = B.getI()
  92         RI = R.getI()
  93         def CostFunction(x,HmX):
  94             if numpy.any(numpy.isnan(HmX)):
  95                 _X  = numpy.nan
  96                 _HX = numpy.nan
  97                 Jb, Jo, J = numpy.nan, numpy.nan, numpy.nan
  98             else:
  99                 _X  = numpy.asmatrix(numpy.ravel( x )).T
 100                 _HX = numpy.asmatrix(numpy.ravel( HmX )).T
 101                 Jb  = 0.5 * (_X - Xb).T * BI * (_X - Xb)
 102                 Jo  = 0.5 * (Y - _HX).T * RI * (Y - _HX)
 103                 J   = float( Jb ) + float( Jo )
 104             if "CurrentState" in self._parameters["StoreSupplementaryCalculations"]:
 105                 self.StoredVariables["CurrentState"].store( _X )
 106             if "Innovation" in self._parameters["StoreSupplementaryCalculations"]:
 107                 self.StoredVariables["Innovation"].store( Y - _HX )
 108             if "ObservedState" in self._parameters["StoreSupplementaryCalculations"]:
 109                 self.StoredVariables["ObservedState"].store( _HX )
 110             self.StoredVariables["CostFunctionJb"].store( Jb )
 111             self.StoredVariables["CostFunctionJo"].store( Jo )
 112             self.StoredVariables["CostFunctionJ" ].store( J )
 113             return J, Jb, Jo
 114         # ----------
 115         if self._parameters["SetDebug"]:
 116             CUR_LEVEL = logging.getLogger().getEffectiveLevel()
 117             logging.getLogger().setLevel(logging.DEBUG)
 118             print("===> Beginning of evaluation, activating debug\n")
 119             print("     %s\n"%("-"*75,))
 120         #
 121         # ----------
 122         for i,Xx in enumerate(sampleList):
 123             if self._parameters["SetDebug"]:
 124                 print("===> Launching evaluation for state %i"%i)
 125             __Xn = numpy.asmatrix(numpy.ravel( Xx )).T
 126             try:
 127                 Yn = Hm( __Xn )
 128             except:
 129                 Yn = numpy.nan
 130             #
 131             J, Jb, Jo = CostFunction(__Xn,Yn)
 132         # ----------
 133         #
 134         if self._parameters["SetDebug"]:
 135             print("\n     %s\n"%("-"*75,))
 136             print("===> End evaluation, deactivating debug if necessary\n")
 137             logging.getLogger().setLevel(CUR_LEVEL)
 138         #
 139         self._post_run(HO)
 140         return 0
 141
 142 # ==============================================================================
 143 if __name__ == "__main__":
 144     print '\n AUTODIAGNOSTIC \n'