test/test6903/Verification_des_mono_et_multi_fonctions_D.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 def ElementaryFunction01( InputArgument ):
  29     """
  30     Exemple de fonction non-lineaire et non-carree
  31
  32     L'argument en entree est un vecteur au sens mathematique, c'est-a-dire
  33     une suite ordonnee de valeurs reelles. Au sens informatique, c'est tout
  34     objet qui peut se transformer en une serie continue unidimensionnelle de
  35     valeurs reelles. L'argument en sortie est un vecteur Numpy 1D.
  36     """
  37     #
  38     if isinstance( InputArgument, (numpy.ndarray, numpy.matrix, list, tuple) ) or type(InputArgument).__name__ in ('generator','range'):
  39         _subX = numpy.ravel(InputArgument)
  40     else:
  41         raise ValueError("ElementaryFunction01 unkown input type: %s"%(type(InputArgument).__name__,))
  42     #
  43     _OutputArgument = []
  44     _OutputArgument.extend( (-1 + _subX).tolist() )
  45     _OutputArgument.extend( numpy.cos(_subX/2).tolist() )
  46     _OutputArgument.extend( numpy.exp((3.14 * _subX)).tolist() )
  47     #
  48     return numpy.ravel( _OutputArgument )
  49
  50 def MultiFonction01( xSerie ):
  51     """
  52     Exemple de multi-fonction
  53
  54     Pour une liste ordonnee de vecteurs en entree, renvoie en sortie la liste
  55     correspondante de valeurs de la fonction en argument
  56     """
  57     if not (isinstance( xSerie, (list, tuple) ) or type(xSerie).__name__ in ('generator','range')):
  58         raise ValueError("MultiFonction01 unkown input type: %s"%(type(xSerie),))
  59     #
  60     _ySerie = []
  61     for _subX in xSerie:
  62         _ySerie.append( ElementaryFunction01( _subX ) )
  63     #
  64     return _ySerie
  65
  66 # ==============================================================================
  67 def test1():
  68     """
  69     Verification du fonctionnement identique pour les algorithmes non-temporels
  70     en utilisant une fonction non-lineaire et non-carree
  71     """
  72     print(test1.__doc__)
  73     Xa = {}
  74     #
  75     for algo in ("3DVAR", "Blue", "ExtendedBlue", "NonLinearLeastSquares", "DerivativeFreeOptimization"):
  76         print("")
  77         msg = "Algorithme en test en MonoFonction : %s"%algo
  78         print(msg+"\n"+"-"*len(msg))
  79         #
  80         adaopy = adaoBuilder.New()
  81         adaopy.setAlgorithmParameters(Algorithm=algo, Parameters={"EpsilonMinimumExponent":-10, "Bounds":[[-1,10.],[-1,10.],[-1,10.]]})
  82         adaopy.setBackground         (Vector = [0,1,2])
  83         adaopy.setBackgroundError    (ScalarSparseMatrix = 1.)
  84         adaopy.setObservation        (Vector = [0.5,1.5,2.5,0.5,1.5,2.5,0.5,1.5,2.5])
  85         adaopy.setObservationError   (DiagonalSparseMatrix = "1 1 1 1 1 1 1 1 1")
  86         adaopy.setObservationOperator(OneFunction = ElementaryFunction01)
  87         adaopy.setObserver("Analysis",Template="ValuePrinter")
  88         adaopy.execute()
  89         Xa["Mono/"+algo] = adaopy.get("Analysis")[-1]
  90         del adaopy
  91     #
  92     for algo in ("3DVAR", "Blue", "ExtendedBlue", "NonLinearLeastSquares", "DerivativeFreeOptimization"):
  93         print("")
  94         msg = "Algorithme en test en MultiFonction : %s"%algo
  95         print(msg+"\n"+"-"*len(msg))
  96         #
  97         adaopy = adaoBuilder.New()
  98         adaopy.setAlgorithmParameters(Algorithm=algo, Parameters={"EpsilonMinimumExponent":-10, "Bounds":[[-1,10.],[-1,10.],[-1,10.]]})
  99         adaopy.setBackground         (Vector = [0,1,2])
 100         adaopy.setBackgroundError    (ScalarSparseMatrix = 1.)
 101         adaopy.setObservation        (Vector = [0.5,1.5,2.5,0.5,1.5,2.5,0.5,1.5,2.5])
 102         adaopy.setObservationError   (DiagonalSparseMatrix = "1 1 1 1 1 1 1 1 1")
 103         adaopy.setObservationOperator(OneFunction = MultiFonction01, InputAsMF = True)
 104         adaopy.setObserver("Analysis",Template="ValuePrinter")
 105         adaopy.execute()
 106         Xa["Multi/"+algo] = adaopy.get("Analysis")[-1]
 107         del adaopy
 108     #
 109     print("")
 110     msg = "Tests des ecarts attendus :"
 111     print(msg+"\n"+"="*len(msg))
 112     for algo in ("3DVAR", "Blue", "ExtendedBlue", "NonLinearLeastSquares", "DerivativeFreeOptimization"):
 113         verify_similarity_of_algo_results(("Multi/"+algo, "Mono/"+algo), Xa, 1.e-20)
 114     print("  Les resultats obtenus sont corrects.")
 115     print("")
 116     #
 117     return 0
 118
 119 # ==============================================================================
 120 def almost_equal_vectors(v1, v2, precision = 1.e-15, msg = ""):
 121     """Comparaison de deux vecteurs"""
 122     print("    Difference maximale %s: %.2e"%(msg, max(abs(v2 - v1))))
 123     return max(abs(v2 - v1)) < precision
 124
 125 def verify_similarity_of_algo_results(serie = [], Xa = {}, precision = 1.e-15):
 126     print("  Comparaisons :")
 127     for algo1 in serie:
 128         for algo2 in serie:
 129             if algo1 is algo2: break
 130             assert almost_equal_vectors( Xa[algo1], Xa[algo2], precision, "entre %s et %s "%(algo1, algo2) )
 131     print("  Algorithmes dont les resultats sont similaires a %.0e : %s\n"%(precision, serie,))
 132     sys.stdout.flush()
 133
 134 #===============================================================================
 135 if __name__ == "__main__":
 136     print('\nAUTODIAGNOSTIC\n')
 137     test1()