src/daComposant/daAlgorithms/TabuSearch.py

   1 # -*- coding: utf-8 -*-
   2 #
   3 # Copyright (C) 2008-2024 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 numpy
  24 from daCore import BasicObjects
  25 from daCore.PlatformInfo import vfloat
  26
  27 # ==============================================================================
  28 class ElementaryAlgorithm(BasicObjects.Algorithm):
  29     def __init__(self):
  30         BasicObjects.Algorithm.__init__(self, "TABUSEARCH")
  31         self.defineRequiredParameter(
  32             name     = "MaximumNumberOfIterations",
  33             default  = 50,
  34             typecast = int,
  35             message  = "Nombre maximal de pas d'optimisation",
  36             minval   = 1,
  37             oldname  = "MaximumNumberOfSteps",
  38         )
  39         self.defineRequiredParameter(
  40             name     = "SetSeed",
  41             typecast = numpy.random.seed,
  42             message  = "Graine fixée pour le générateur aléatoire",
  43         )
  44         self.defineRequiredParameter(
  45             name     = "LengthOfTabuList",
  46             default  = 50,
  47             typecast = int,
  48             message  = "Longueur de la liste tabou",
  49             minval   = 1,
  50         )
  51         self.defineRequiredParameter(
  52             name     = "NumberOfElementaryPerturbations",
  53             default  = 1,
  54             typecast = int,
  55             message  = "Nombre de perturbations élémentaires pour choisir une perturbation d'état",
  56             minval   = 1,
  57         )
  58         self.defineRequiredParameter(
  59             name     = "NoiseDistribution",
  60             default  = "Uniform",
  61             typecast = str,
  62             message  = "Distribution pour générer les perturbations d'état",
  63             listval  = ["Gaussian", "Uniform"],
  64         )
  65         self.defineRequiredParameter(
  66             name     = "QualityCriterion",
  67             default  = "AugmentedWeightedLeastSquares",
  68             typecast = str,
  69             message  = "Critère de qualité utilisé",
  70             listval  = [
  71                 "AugmentedWeightedLeastSquares", "AWLS", "DA",
  72                 "WeightedLeastSquares", "WLS",
  73                 "LeastSquares", "LS", "L2",
  74                 "AbsoluteValue", "L1",
  75                 "MaximumError", "ME", "Linf",
  76             ],
  77         )
  78         self.defineRequiredParameter(
  79             name     = "NoiseHalfRange",
  80             default  = [],
  81             typecast = numpy.ravel,
  82             message  = "Demi-amplitude des perturbations uniformes centrées d'état pour chaque composante de l'état",
  83         )
  84         self.defineRequiredParameter(
  85             name     = "StandardDeviation",
  86             default  = [],
  87             typecast = numpy.ravel,
  88             message  = "Ecart-type des perturbations gaussiennes d'état pour chaque composante de l'état",
  89         )
  90         self.defineRequiredParameter(
  91             name     = "NoiseAddingProbability",
  92             default  = 1.,
  93             typecast = float,
  94             message  = "Probabilité de perturbation d'une composante de l'état",
  95             minval   = 0.,
  96             maxval   = 1.,
  97         )
  98         self.defineRequiredParameter(
  99             name     = "StoreInternalVariables",
 100             default  = False,
 101             typecast = bool,
 102             message  = "Stockage des variables internes ou intermédiaires du calcul",
 103         )
 104         self.defineRequiredParameter(
 105             name     = "StoreSupplementaryCalculations",
 106             default  = [],
 107             typecast = tuple,
 108             message  = "Liste de calculs supplémentaires à stocker et/ou effectuer",
 109             listval  = [
 110                 "Analysis",
 111                 "BMA",
 112                 "CostFunctionJ",
 113                 "CostFunctionJb",
 114                 "CostFunctionJo",
 115                 "CurrentIterationNumber",
 116                 "CurrentState",
 117                 "Innovation",
 118                 "OMA",
 119                 "OMB",
 120                 "SimulatedObservationAtBackground",
 121                 "SimulatedObservationAtCurrentState",
 122                 "SimulatedObservationAtOptimum",
 123             ]
 124         )
 125         self.defineRequiredParameter(  # Pas de type
 126             name     = "Bounds",
 127             message  = "Liste des valeurs de bornes",
 128         )
 129         self.requireInputArguments(
 130             mandatory= ("Xb", "Y", "HO", "R", "B"),
 131         )
 132         self.setAttributes(
 133             tags=(
 134                 "Optimization",
 135                 "NonLinear",
 136                 "MetaHeuristic",
 137             ),
 138             features=(
 139                 "NonLocalOptimization",
 140                 "DerivativeFree",
 141                 "ConvergenceOnNumbers",
 142             ),
 143         )
 144
 145     def run(self, Xb=None, Y=None, U=None, HO=None, EM=None, CM=None, R=None, B=None, Q=None, Parameters=None):
 146         self._pre_run(Parameters, Xb, Y, U, HO, EM, CM, R, B, Q)
 147         #
 148         if self._parameters["NoiseDistribution"] == "Uniform":
 149             nrange = self._parameters["NoiseHalfRange"]  # Vecteur
 150             if nrange.size != Xb.size:
 151                 raise ValueError("Noise generation by Uniform distribution requires range for all variable increments. The actual noise half range vector is:\n%s"%nrange)  # noqa: E501
 152         elif self._parameters["NoiseDistribution"] == "Gaussian":
 153             sigma = numpy.ravel(self._parameters["StandardDeviation"])  # Vecteur
 154             if sigma.size != Xb.size:
 155                 raise ValueError("Noise generation by Gaussian distribution requires standard deviation for all variable increments. The actual standard deviation vector is:\n%s"%sigma)  # noqa: E501
 156         #
 157         Hm = HO["Direct"].appliedTo
 158         #
 159         BI = B.getI()
 160         RI = R.getI()
 161
 162         def Tweak( x, NoiseDistribution, NoiseAddingProbability ):
 163             _X  = numpy.array( x, dtype=float, copy=True ).ravel().reshape((-1, 1))
 164             if NoiseDistribution == "Uniform":
 165                 for i in range(_X.size):
 166                     if NoiseAddingProbability >= numpy.random.uniform():
 167                         _increment = numpy.random.uniform(low=-nrange[i], high=nrange[i])
 168                         # On ne traite pas encore le dépassement des bornes ici
 169                         _X[i] += _increment
 170             elif NoiseDistribution == "Gaussian":
 171                 for i in range(_X.size):
 172                     if NoiseAddingProbability >= numpy.random.uniform():
 173                         _increment = numpy.random.normal(loc=0., scale=sigma[i])
 174                         # On ne traite pas encore le dépassement des bornes ici
 175                         _X[i] += _increment
 176             #
 177             return _X
 178
 179         def StateInList( x, _TL ):
 180             _X  = numpy.ravel( x )
 181             _xInList = False
 182             for state in _TL:
 183                 if numpy.all(numpy.abs( _X - numpy.ravel(state) ) <= 1e-16 * numpy.abs(_X)):
 184                     _xInList = True
 185             # if _xInList: import sys ; sys.exit()
 186             return _xInList
 187
 188         def CostFunction(x, QualityMeasure="AugmentedWeightedLeastSquares"):
 189             _X  = numpy.ravel( x ).reshape((-1, 1))
 190             _HX = numpy.ravel( Hm( _X ) ).reshape((-1, 1))
 191             _Innovation = Y - _HX
 192             #
 193             if QualityMeasure in ["AugmentedWeightedLeastSquares", "AWLS", "DA"]:
 194                 if BI is None or RI is None:
 195                     raise ValueError("Background and Observation error covariance matrices has to be properly defined!")
 196                 Jb  = vfloat(0.5 * (_X - Xb).T @ (BI @ (_X - Xb)))
 197                 Jo  = vfloat(0.5 * _Innovation.T @ (RI @ _Innovation))
 198             elif QualityMeasure in ["WeightedLeastSquares", "WLS"]:
 199                 if RI is None:
 200                     raise ValueError("Observation error covariance matrix has to be properly defined!")
 201                 Jb  = 0.
 202                 Jo  = vfloat(0.5 * _Innovation.T @ (RI @ _Innovation))
 203             elif QualityMeasure in ["LeastSquares", "LS", "L2"]:
 204                 Jb  = 0.
 205                 Jo  = vfloat(0.5 * _Innovation.T @ _Innovation)
 206             elif QualityMeasure in ["AbsoluteValue", "L1"]:
 207                 Jb  = 0.
 208                 Jo  = vfloat(numpy.sum( numpy.abs(_Innovation) ))
 209             elif QualityMeasure in ["MaximumError", "ME", "Linf"]:
 210                 Jb  = 0.
 211                 Jo  = vfloat(numpy.max( numpy.abs(_Innovation) ))
 212             #
 213             J   = Jb + Jo
 214             #
 215             return J
 216         #
 217         # Minimisation de la fonctionnelle
 218         # --------------------------------
 219         _n = 0
 220         _S = Xb
 221         _qualityS = CostFunction( _S, self._parameters["QualityCriterion"] )
 222         _Best, _qualityBest = _S, _qualityS
 223         _TabuList = []
 224         _TabuList.append( _S )
 225         while _n < self._parameters["MaximumNumberOfIterations"]:
 226             _n += 1
 227             if len(_TabuList) > self._parameters["LengthOfTabuList"]:
 228                 _TabuList.pop(0)
 229             _R = Tweak( _S, self._parameters["NoiseDistribution"], self._parameters["NoiseAddingProbability"] )
 230             _qualityR = CostFunction( _R, self._parameters["QualityCriterion"] )
 231             for nbt in range(self._parameters["NumberOfElementaryPerturbations"] - 1):
 232                 _W = Tweak( _S, self._parameters["NoiseDistribution"], self._parameters["NoiseAddingProbability"] )
 233                 _qualityW = CostFunction( _W, self._parameters["QualityCriterion"] )
 234                 if (not StateInList(_W, _TabuList)) and ( (_qualityW < _qualityR) or StateInList(_R, _TabuList) ):
 235                     _R, _qualityR = _W, _qualityW
 236             if (not StateInList( _R, _TabuList )) and (_qualityR < _qualityS):
 237                 _S, _qualityS = _R, _qualityR
 238                 _TabuList.append( _S )
 239             if _qualityS < _qualityBest:
 240                 _Best, _qualityBest = _S, _qualityS
 241             #
 242             self.StoredVariables["CurrentIterationNumber"].store( len(self.StoredVariables["CostFunctionJ"]) )
 243             if self._parameters["StoreInternalVariables"] or self._toStore("CurrentState"):
 244                 self.StoredVariables["CurrentState"].store( _Best )
 245             if self._toStore("SimulatedObservationAtCurrentState"):
 246                 _HmX = Hm( _Best )
 247                 self.StoredVariables["SimulatedObservationAtCurrentState"].store( _HmX )
 248             self.StoredVariables["CostFunctionJb"].store( 0. )
 249             self.StoredVariables["CostFunctionJo"].store( 0. )
 250             self.StoredVariables["CostFunctionJ" ].store( _qualityBest )
 251         #
 252         # Obtention de l'analyse
 253         # ----------------------
 254         Xa = _Best
 255         #
 256         self.StoredVariables["Analysis"].store( Xa )
 257         #
 258         # Calculs et/ou stockages supplémentaires
 259         # ---------------------------------------
 260         if self._toStore("OMA") or \
 261                 self._toStore("SimulatedObservationAtOptimum"):
 262             HXa = Hm(Xa).reshape((-1, 1))
 263         if self._toStore("Innovation") or \
 264                 self._toStore("OMB") or \
 265                 self._toStore("SimulatedObservationAtBackground"):
 266             HXb = Hm(Xb).reshape((-1, 1))
 267             Innovation = Y - HXb
 268         if self._toStore("Innovation"):
 269             self.StoredVariables["Innovation"].store( Innovation )
 270         if self._toStore("OMB"):
 271             self.StoredVariables["OMB"].store( Innovation )
 272         if self._toStore("BMA"):
 273             self.StoredVariables["BMA"].store( numpy.ravel(Xb) - numpy.ravel(Xa) )
 274         if self._toStore("OMA"):
 275             self.StoredVariables["OMA"].store( Y - HXa )
 276         if self._toStore("SimulatedObservationAtBackground"):
 277             self.StoredVariables["SimulatedObservationAtBackground"].store( HXb )
 278         if self._toStore("SimulatedObservationAtOptimum"):
 279             self.StoredVariables["SimulatedObservationAtOptimum"].store( HXa )
 280         #
 281         self._post_run(HO, EM)
 282         return 0
 283
 284 # ==============================================================================
 285 if __name__ == "__main__":
 286     print("\n AUTODIAGNOSTIC\n")