test/test6903/Verification_des_mono_et_multi_fonctions_C.py

   1 # -*- coding: utf-8 -*-
   2 #
   3 # Copyright (C) 2008-2018 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 "Verification du fonctionnement correct d'entrees en mono ou multi-fonctions"
  23
  24 # ==============================================================================
  25 import numpy, sys
  26 from adao import adaoBuilder
  27
  28 M = numpy.matrix("1 0 0;0 2 0;0 0 3")
  29 def MonoFonction( x ):
  30     return M * numpy.asmatrix(numpy.ravel( x )).T
  31
  32 def MultiFonction( xserie ):
  33     _mulHX = []
  34     for _subX in xserie:
  35         _mulHX.append( M * numpy.asmatrix(numpy.ravel( _subX )).T )
  36     return _mulHX
  37
  38 # ==============================================================================
  39 def test1():
  40     """
  41     Verification du fonctionnement identique pour les algorithmes autres
  42     en utilisant une fonction lineaire et carree
  43     """
  44     print(test1.__doc__)
  45     Xa = {}
  46     #
  47     for algo in ("ParticleSwarmOptimization", "QuantileRegression", ):
  48         print("")
  49         msg = "Algorithme en test en MonoFonction : %s"%algo
  50         print(msg+"\n"+"-"*len(msg))
  51         #
  52         adaopy = adaoBuilder.New()
  53         adaopy.setAlgorithmParameters(Algorithm=algo, Parameters={"BoxBounds":3*[[-1,3]], "SetSeed":1000})
  54         adaopy.setBackground         (Vector = [0,1,2])
  55         adaopy.setBackgroundError    (ScalarSparseMatrix = 1.)
  56         adaopy.setObservation        (Vector = [0.5,1.5,2.5])
  57         adaopy.setObservationError   (DiagonalSparseMatrix = "1 2 3")
  58         adaopy.setObservationOperator(OneFunction = MonoFonction)
  59         adaopy.setObserver("Analysis",Template="ValuePrinter")
  60         adaopy.execute()
  61         Xa["Mono/"+algo] = adaopy.get("Analysis")[-1]
  62         del adaopy
  63     #
  64     for algo in ("ParticleSwarmOptimization", "QuantileRegression", ):
  65         print("")
  66         msg = "Algorithme en test en MultiFonction : %s"%algo
  67         print(msg+"\n"+"-"*len(msg))
  68         #
  69         adaopy = adaoBuilder.New()
  70         adaopy.setAlgorithmParameters(Algorithm=algo, Parameters={"BoxBounds":3*[[-1,3]], "SetSeed":1000})
  71         adaopy.setBackground         (Vector = [0,1,2])
  72         adaopy.setBackgroundError    (ScalarSparseMatrix = 1.)
  73         adaopy.setObservation        (Vector = [0.5,1.5,2.5])
  74         adaopy.setObservationError   (DiagonalSparseMatrix = "1 2 3")
  75         adaopy.setObservationOperator(OneFunction = MultiFonction, InputAsMF = True)
  76         adaopy.setObserver("Analysis",Template="ValuePrinter")
  77         adaopy.execute()
  78         Xa["Multi/"+algo] = adaopy.get("Analysis")[-1]
  79         del adaopy
  80     #
  81     print("")
  82     msg = "Tests des ecarts attendus :"
  83     print(msg+"\n"+"="*len(msg))
  84     for algo in ("ParticleSwarmOptimization", "QuantileRegression"):
  85         verify_similarity_of_algo_results(("Multi/"+algo, "Mono/"+algo), Xa, 1.e-20)
  86     print("  Les resultats obtenus sont corrects.")
  87     print("")
  88     #
  89     return 0
  90
  91 # ==============================================================================
  92 def almost_equal_vectors(v1, v2, precision = 1.e-15, msg = ""):
  93     """Comparaison de deux vecteurs"""
  94     print("    Difference maximale %s: %.2e"%(msg, max(abs(v2 - v1))))
  95     return max(abs(v2 - v1)) < precision
  96
  97 def verify_similarity_of_algo_results(serie = [], Xa = {}, precision = 1.e-15):
  98     print("  Comparaisons :")
  99     for algo1 in serie:
 100         for algo2 in serie:
 101             if algo1 is algo2: break
 102             assert almost_equal_vectors( Xa[algo1], Xa[algo2], precision, "entre %s et %s "%(algo1, algo2) )
 103     print("  Algorithmes dont les resultats sont similaires a %.0e : %s\n"%(precision, serie,))
 104     sys.stdout.flush()
 105
 106 #===============================================================================
 107 if __name__ == "__main__":
 108     print('\nAUTODIAGNOSTIC\n')
 109     test1()