src/daComposant/daAlgorithms/TabuSearch.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
  26
  27 # ==============================================================================
  28 class ElementaryAlgorithm(BasicObjects.Algorithm):
  29     def __init__(self):
  30         BasicObjects.Algorithm.__init__(self, "TABUSEARCH")
  31         self.defineRequiredParameter(
  32             name     = "MaximumNumberOfSteps",
  33             default  = 50,
  34             typecast = int,
  35             message  = "Nombre maximal de pas d'optimisation",
  36             minval   = 1,
  37             )
  38         self.defineRequiredParameter(
  39             name     = "SetSeed",
  40             typecast = numpy.random.seed,
  41             message  = "Graine fixée pour le générateur aléatoire",
  42             )
  43         self.defineRequiredParameter(
  44             name     = "LengthOfTabuList",
  45             default  = 50,
  46             typecast = int,
  47             message  = "Longueur de la liste tabou",
  48             minval   = 1,
  49             )
  50         self.defineRequiredParameter(
  51             name     = "NumberOfElementaryPerturbations",
  52             default  = 1,
  53             typecast = int,
  54             message  = "Nombre de perturbations élémentaires pour choisir une perturbation d'état",
  55             minval   = 1,
  56             )
  57         self.defineRequiredParameter(
  58             name     = "NoiseDistribution",
  59             default  = "Uniform",
  60             typecast = str,
  61             message  = "Distribution pour générer les perturbations d'état",
  62             listval  = ["Gaussian","Uniform"],
  63             )
  64         self.defineRequiredParameter(
  65             name     = "QualityCriterion",
  66             default  = "AugmentedWeightedLeastSquares",
  67             typecast = str,
  68             message  = "Critère de qualité utilisé",
  69             listval  = ["AugmentedWeightedLeastSquares","AWLS","DA",
  70                         "WeightedLeastSquares","WLS",
  71                         "LeastSquares","LS","L2",
  72                         "AbsoluteValue","L1",
  73                         "MaximumError","ME"],
  74             )
  75         self.defineRequiredParameter(
  76             name     = "NoiseHalfRange",
  77             default  = [],
  78             typecast = numpy.matrix,
  79             message  = "Demi-amplitude des perturbations uniformes centrées d'état pour chaque composante de l'état",
  80             )
  81         self.defineRequiredParameter(
  82             name     = "StandardDeviation",
  83             default  = [],
  84             typecast = numpy.matrix,
  85             message  = "Ecart-type des perturbations gaussiennes d'état pour chaque composante de l'état",
  86             )
  87         self.defineRequiredParameter(
  88             name     = "NoiseAddingProbability",
  89             default  = 1.,
  90             typecast = float,
  91             message  = "Probabilité de perturbation d'une composante de l'état",
  92             minval   = 0.,
  93             maxval   = 1.,
  94             )
  95         self.defineRequiredParameter(
  96             name     = "StoreInternalVariables",
  97             default  = False,
  98             typecast = bool,
  99             message  = "Stockage des variables internes ou intermédiaires du calcul",
 100             )
 101         self.defineRequiredParameter(
 102             name     = "StoreSupplementaryCalculations",
 103             default  = [],
 104             typecast = tuple,
 105             message  = "Liste de calculs supplémentaires à stocker et/ou effectuer",
 106             listval  = [
 107                 "BMA",
 108                 "OMA",
 109                 "OMB",
 110                 "CurrentState",
 111                 "CostFunctionJ",
 112                 "CostFunctionJb",
 113                 "CostFunctionJo",
 114                 "Innovation",
 115                 "SimulatedObservationAtBackground",
 116                 "SimulatedObservationAtCurrentState",
 117                 "SimulatedObservationAtOptimum",
 118                 ]
 119             )
 120         self.defineRequiredParameter( # Pas de type
 121             name     = "Bounds",
 122             message  = "Liste des valeurs de bornes",
 123             )
 124         self.requireInputArguments(
 125             mandatory= ("Xb", "Y", "HO", "R", "B"),
 126             )
 127
 128     def run(self, Xb=None, Y=None, U=None, HO=None, EM=None, CM=None, R=None, B=None, Q=None, Parameters=None):
 129         self._pre_run(Parameters, Xb, Y, R, B, Q)
 130         #
 131         if self._parameters["NoiseDistribution"] == "Uniform":
 132             nrange = numpy.ravel(self._parameters["NoiseHalfRange"]) # Vecteur
 133             if nrange.size != Xb.size:
 134                 raise ValueError("Noise generation by Uniform distribution requires range for all variable increments. The actual noise half range vector is:\n%s"%nrange)
 135         elif self._parameters["NoiseDistribution"] == "Gaussian":
 136             sigma = numpy.ravel(self._parameters["StandardDeviation"]) # Vecteur
 137             if sigma.size != Xb.size:
 138                 raise ValueError("Noise generation by Gaussian distribution requires standard deviation for all variable increments. The actual standard deviation vector is:\n%s"%sigma)
 139         #
 140         # Opérateur d'observation
 141         # -----------------------
 142         Hm = HO["Direct"].appliedTo
 143         #
 144         # Précalcul des inversions de B et R
 145         # ----------------------------------
 146         BI = B.getI()
 147         RI = R.getI()
 148         #
 149         # Définition de la fonction de deplacement
 150         # ----------------------------------------
 151         def Tweak( x, NoiseDistribution, NoiseAddingProbability ):
 152             _X  = numpy.matrix(numpy.ravel( x )).T
 153             if NoiseDistribution == "Uniform":
 154                 for i in range(_X.size):
 155                     if NoiseAddingProbability >= numpy.random.uniform():
 156                         _increment = numpy.random.uniform(low=-nrange[i], high=nrange[i])
 157                         # On ne traite pas encore le dépassement des bornes ici
 158                         _X[i] += _increment
 159             elif NoiseDistribution == "Gaussian":
 160                 for i in range(_X.size):
 161                     if NoiseAddingProbability >= numpy.random.uniform():
 162                         _increment = numpy.random.normal(loc=0., scale=sigma[i])
 163                         # On ne traite pas encore le dépassement des bornes ici
 164                         _X[i] += _increment
 165             #
 166             return _X
 167         #
 168         def StateInList( x, TL ):
 169             _X  = numpy.ravel( x )
 170             _xInList = False
 171             for state in TL:
 172                 if numpy.all(numpy.abs( _X - numpy.ravel(state) ) <= 1e-16*numpy.abs(_X)):
 173                     _xInList = True
 174             # if _xInList: import sys ; sys.exit()
 175             return _xInList
 176         #
 177         # Minimisation de la fonctionnelle
 178         # --------------------------------
 179         _n = 0
 180         _S = Xb
 181         # _qualityS = CostFunction( _S, self._parameters["QualityCriterion"] )
 182         _qualityS = BasicObjects.CostFunction3D(
 183                    _S,
 184             _Hm  = Hm,
 185             _BI  = BI,
 186             _RI  = RI,
 187             _Xb  = Xb,
 188             _Y   = Y,
 189             _SSC = self._parameters["StoreSupplementaryCalculations"],
 190             _QM  = self._parameters["QualityCriterion"],
 191             _SSV = self.StoredVariables,
 192             _sSc = False,
 193             )
 194         _Best, _qualityBest   =   _S, _qualityS
 195         _TabuList = []
 196         _TabuList.append( _S )
 197         while _n < self._parameters["MaximumNumberOfSteps"]:
 198             _n += 1
 199             if len(_TabuList) > self._parameters["LengthOfTabuList"]:
 200                 _TabuList.pop(0)
 201             _R = Tweak( _S, self._parameters["NoiseDistribution"], self._parameters["NoiseAddingProbability"] )
 202             # _qualityR = CostFunction( _R, self._parameters["QualityCriterion"] )
 203             _qualityR = BasicObjects.CostFunction3D(
 204                        _R,
 205                 _Hm  = Hm,
 206                 _BI  = BI,
 207                 _RI  = RI,
 208                 _Xb  = Xb,
 209                 _Y   = Y,
 210                 _SSC = self._parameters["StoreSupplementaryCalculations"],
 211                 _QM  = self._parameters["QualityCriterion"],
 212                 _SSV = self.StoredVariables,
 213                 _sSc = False,
 214                 )
 215             for nbt in range(self._parameters["NumberOfElementaryPerturbations"]-1):
 216                 _W = Tweak( _S, self._parameters["NoiseDistribution"], self._parameters["NoiseAddingProbability"] )
 217                 # _qualityW = CostFunction( _W, self._parameters["QualityCriterion"] )
 218                 _qualityW = BasicObjects.CostFunction3D(
 219                            _W,
 220                     _Hm  = Hm,
 221                     _BI  = BI,
 222                     _RI  = RI,
 223                     _Xb  = Xb,
 224                     _Y   = Y,
 225                     _SSC = self._parameters["StoreSupplementaryCalculations"],
 226                     _QM  = self._parameters["QualityCriterion"],
 227                     _SSV = self.StoredVariables,
 228                     _sSc = False,
 229                     )
 230                 if (not StateInList(_W, _TabuList)) and ( (_qualityW < _qualityR) or StateInList(_R,_TabuList) ):
 231                     _R, _qualityR   =   _W, _qualityW
 232             if (not StateInList( _R, _TabuList )) and (_qualityR < _qualityS):
 233                 _S, _qualityS   =   _R, _qualityR
 234                 _TabuList.append( _S )
 235             if _qualityS < _qualityBest:
 236                 _Best, _qualityBest   =   _S, _qualityS
 237             #
 238             if self._parameters["StoreInternalVariables"] or self._toStore("CurrentState"):
 239                 self.StoredVariables["CurrentState"].store( _Best )
 240             if self._toStore("SimulatedObservationAtCurrentState"):
 241                 _HmX = Hm( numpy.asmatrix(numpy.ravel( _Best )).T )
 242                 _HmX = numpy.asmatrix(numpy.ravel( _HmX )).T
 243                 self.StoredVariables["SimulatedObservationAtCurrentState"].store( _HmX )
 244             self.StoredVariables["CostFunctionJb"].store( 0. )
 245             self.StoredVariables["CostFunctionJo"].store( 0. )
 246             self.StoredVariables["CostFunctionJ" ].store( _qualityBest )
 247         #
 248         # Obtention de l'analyse
 249         # ----------------------
 250         Xa = numpy.asmatrix(numpy.ravel( _Best )).T
 251         #
 252         self.StoredVariables["Analysis"].store( Xa.A1 )
 253         #
 254         if self._toStore("Innovation") or \
 255             self._toStore("OMB") or \
 256             self._toStore("SimulatedObservationAtBackground"):
 257             HXb = Hm(Xb)
 258             d = Y - HXb
 259         if self._toStore("OMA") or \
 260            self._toStore("SimulatedObservationAtOptimum"):
 261             HXa = Hm(Xa)
 262         #
 263         # Calculs et/ou stockages supplémentaires
 264         # ---------------------------------------
 265         if self._toStore("Innovation"):
 266             self.StoredVariables["Innovation"].store( numpy.ravel(d) )
 267         if self._toStore("BMA"):
 268             self.StoredVariables["BMA"].store( numpy.ravel(Xb) - numpy.ravel(Xa) )
 269         if self._toStore("OMA"):
 270             self.StoredVariables["OMA"].store( numpy.ravel(Y) - numpy.ravel(HXa) )
 271         if self._toStore("OMB"):
 272             self.StoredVariables["OMB"].store( numpy.ravel(d) )
 273         if self._toStore("SimulatedObservationAtBackground"):
 274             self.StoredVariables["SimulatedObservationAtBackground"].store( numpy.ravel(HXb) )
 275         if self._toStore("SimulatedObservationAtOptimum"):
 276             self.StoredVariables["SimulatedObservationAtOptimum"].store( numpy.ravel(HXa) )
 277         #
 278         self._post_run(HO)
 279         return 0
 280
 281 # ==============================================================================
 282 if __name__ == "__main__":
 283     print('\n AUTODIAGNOSTIC \n')