X-Git-Url: http://git.salome-platform.org/gitweb/?a=blobdiff_plain;f=src%2FdaComposant%2FdaCore%2FBasicObjects.py;h=07f1cc6f9b1b30ebef013ac3873970b7745e9231;hb=8b0fe9f58619f710527afbcc76d565bf697ec552;hp=5aab2b9096596e3cf9330fedc155aad7c2f07863;hpb=a71ca08a5f9db3dd7171465f79bd85bccefaf92f;p=modules%2Fadao.git diff --git a/src/daComposant/daCore/BasicObjects.py b/src/daComposant/daCore/BasicObjects.py index 5aab2b9..07f1cc6 100644 --- a/src/daComposant/daCore/BasicObjects.py +++ b/src/daComposant/daCore/BasicObjects.py @@ -1,4 +1,4 @@ -#-*-coding:iso-8859-1-*- +# -*- coding: utf-8 -*- # # Copyright (C) 2008-2017 EDF R&D # @@ -21,29 +21,30 @@ # Author: Jean-Philippe Argaud, jean-philippe.argaud@edf.fr, EDF R&D """ - Définit les outils généraux élémentaires. + Définit les outils généraux élémentaires. - Ce module est destiné à être appelée par AssimilationStudy. + Ce module est destiné à être appelée par AssimilationStudy. """ __author__ = "Jean-Philippe ARGAUD" __all__ = [] -import logging, copy, os +import os, sys, logging, copy import numpy from daCore import Persistence from daCore import PlatformInfo +from daCore import Templates # ============================================================================== class CacheManager(object): """ - Classe générale de gestion d'un cache de calculs + Classe générale de gestion d'un cache de calculs """ def __init__(self, toleranceInRedundancy = 1.e-18, lenghtOfRedundancy = -1, ): """ - Les caractéristiques de tolérance peuvent être modifées à la création. + Les caractéristiques de tolérance peuvent être modifées à la création. """ self.__tolerBP = float(toleranceInRedundancy) self.__lenghtOR = int(lenghtOfRedundancy) @@ -56,27 +57,27 @@ class CacheManager(object): # logging.debug("CM Tolerance de determination des doublons : %.2e", self.__tolerBP) def wasCalculatedIn(self, xValue ): #, info="" ): - "Vérifie l'existence d'un calcul correspondant à la valeur" + "Vérifie l'existence d'un calcul correspondant à la valeur" __alc = False __HxV = None for i in range(min(len(self.__listOPCV),self.__lenghtOR)-1,-1,-1): if xValue.size != self.__listOPCV[i][0].size: - # logging.debug("CM Différence de la taille %s de X et de celle %s du point %i déjà calculé", xValue.shape,i,self.__listOPCP[i].shape) + # logging.debug("CM Différence de la taille %s de X et de celle %s du point %i déjà calculé", xValue.shape,i,self.__listOPCP[i].shape) continue if numpy.linalg.norm(numpy.ravel(xValue) - self.__listOPCV[i][0]) < self.__tolerBP * self.__listOPCV[i][2]: __alc = True __HxV = self.__listOPCV[i][1] - # logging.debug("CM Cas%s déja calculé, portant le numéro %i", info, i) + # logging.debug("CM Cas%s déja calculé, portant le numéro %i", info, i) break return __alc, __HxV def storeValueInX(self, xValue, HxValue ): - "Stocke un calcul correspondant à la valeur" + "Stocke un calcul correspondant à la valeur" if self.__lenghtOR < 0: self.__lenghtOR = 2 * xValue.size + 2 self.__initlnOR = self.__lenghtOR while len(self.__listOPCV) > self.__lenghtOR: - # logging.debug("CM Réduction de la liste des cas à %i éléments par suppression du premier", self.__lenghtOR) + # logging.debug("CM Réduction de la liste des cas à %i éléments par suppression du premier", self.__lenghtOR) self.__listOPCV.pop(0) self.__listOPCV.append( ( copy.copy(numpy.ravel(xValue)), @@ -96,7 +97,7 @@ class CacheManager(object): # ============================================================================== class Operator(object): """ - Classe générale d'interface de type opérateur + Classe générale d'interface de type opérateur simple """ NbCallsAsMatrix = 0 NbCallsAsMethod = 0 @@ -105,12 +106,12 @@ class Operator(object): # def __init__(self, fromMethod=None, fromMatrix=None, avoidingRedundancy = True): """ - On construit un objet de ce type en fournissant à l'aide de l'un des - deux mots-clé, soit une fonction python, soit une matrice. + On construit un objet de ce type en fournissant à l'aide de l'un des + deux mots-clé, soit une fonction python, soit une matrice. Arguments : - fromMethod : argument de type fonction Python - - fromMatrix : argument adapté au constructeur numpy.matrix - - avoidingRedundancy : évite ou pas les calculs redondants + - fromMatrix : argument adapté au constructeur numpy.matrix + - avoidingRedundancy : évite ou pas les calculs redondants """ self.__NbCallsAsMatrix, self.__NbCallsAsMethod, self.__NbCallsOfCached = 0, 0, 0 self.__AvoidRC = bool( avoidingRedundancy ) @@ -144,11 +145,11 @@ class Operator(object): def appliedTo(self, xValue, HValue = None): """ - Permet de restituer le résultat de l'application de l'opérateur à un - argument xValue. Cette méthode se contente d'appliquer, son argument - devant a priori être du bon type. + Permet de restituer le résultat de l'application de l'opérateur à un + argument xValue. Cette méthode se contente d'appliquer, son argument + devant a priori être du bon type. Arguments : - - xValue : argument adapté pour appliquer l'opérateur + - xValue : argument adapté pour appliquer l'opérateur """ if HValue is not None: HxValue = numpy.asmatrix( numpy.ravel( HValue ) ).T @@ -177,13 +178,13 @@ class Operator(object): def appliedControledFormTo(self, paire ): """ - Permet de restituer le résultat de l'application de l'opérateur à une - paire (xValue, uValue). Cette méthode se contente d'appliquer, son - argument devant a priori être du bon type. Si la uValue est None, - on suppose que l'opérateur ne s'applique qu'à xValue. + Permet de restituer le résultat de l'application de l'opérateur à une + paire (xValue, uValue). Cette méthode se contente d'appliquer, son + argument devant a priori être du bon type. Si la uValue est None, + on suppose que l'opérateur ne s'applique qu'à xValue. Arguments : - - xValue : argument X adapté pour appliquer l'opérateur - - uValue : argument U adapté pour appliquer l'opérateur + - xValue : argument X adapté pour appliquer l'opérateur + - uValue : argument U adapté pour appliquer l'opérateur """ assert len(paire) == 2, "Incorrect number of arguments" xValue, uValue = paire @@ -199,16 +200,16 @@ class Operator(object): def appliedInXTo(self, paire ): """ - Permet de restituer le résultat de l'application de l'opérateur à un - argument xValue, sachant que l'opérateur est valable en xNominal. - Cette méthode se contente d'appliquer, son argument devant a priori - être du bon type. Si l'opérateur est linéaire car c'est une matrice, - alors il est valable en tout point nominal et il n'est pas nécessaire + Permet de restituer le résultat de l'application de l'opérateur à un + argument xValue, sachant que l'opérateur est valable en xNominal. + Cette méthode se contente d'appliquer, son argument devant a priori + être du bon type. Si l'opérateur est linéaire car c'est une matrice, + alors il est valable en tout point nominal et il n'est pas nécessaire d'utiliser xNominal. Arguments : une liste contenant - - xNominal : argument permettant de donner le point où l'opérateur - est construit pour etre ensuite appliqué - - xValue : argument adapté pour appliquer l'opérateur + - xNominal : argument permettant de donner le point où l'opérateur + est construit pour etre ensuite appliqué + - xValue : argument adapté pour appliquer l'opérateur """ assert len(paire) == 2, "Incorrect number of arguments" xNominal, xValue = paire @@ -221,7 +222,7 @@ class Operator(object): def asMatrix(self, ValueForMethodForm = "UnknownVoidValue"): """ - Permet de renvoyer l'opérateur sous la forme d'une matrice + Permet de renvoyer l'opérateur sous la forme d'une matrice """ if self.__Matrix is not None: self.__addOneMatrixCall() @@ -234,7 +235,7 @@ class Operator(object): def shape(self): """ - Renvoie la taille sous forme numpy si l'opérateur est disponible sous + Renvoie la taille sous forme numpy si l'opérateur est disponible sous la forme d'une matrice """ if self.__Matrix is not None: @@ -244,7 +245,7 @@ class Operator(object): def nbcalls(self, which=None): """ - Renvoie les nombres d'évaluations de l'opérateur + Renvoie les nombres d'évaluations de l'opérateur """ __nbcalls = ( self.__NbCallsAsMatrix+self.__NbCallsAsMethod, @@ -274,51 +275,216 @@ class Operator(object): self.__NbCallsOfCached += 1 # Decompte local Operator.NbCallsOfCached += 1 # Decompte global +# ============================================================================== +class FullOperator(object): + """ + Classe générale d'interface de type opérateur complet + (Direct, Linéaire Tangent, Adjoint) + """ + def __init__(self, + name = "GenericFullOperator", + asMatrix = None, + asOneFunction = None, # Fonction + asThreeFunctions = None, # Dictionnaire de fonctions + asScript = None, + asDict = None, # Parameters + appliedInX = None, + avoidRC = True, + scheduledBy = None, + toBeChecked = False, + ): + "" + self.__name = str(name) + self.__check = bool(toBeChecked) + # + self.__FO = {} + # + __Parameters = {} + if (asDict is not None) and isinstance(asDict, dict): + __Parameters.update( asDict ) + if "DifferentialIncrement" in asDict: + __Parameters["withIncrement"] = asDict["DifferentialIncrement"] + if "CenteredFiniteDifference" in asDict: + __Parameters["withCenteredDF"] = asDict["CenteredFiniteDifference"] + if "EnableMultiProcessing" in asDict: + __Parameters["withmpEnabled"] = asDict["EnableMultiProcessing"] + if "NumberOfProcesses" in asDict: + __Parameters["withmpWorkers"] = asDict["NumberOfProcesses"] + # + if asScript is not None: + __Matrix, __Function = None, None + if asMatrix: + __Matrix = ImportFromScript(asScript).getvalue( self.__name ) + elif asOneFunction: + __Function = { "Direct":ImportFromScript(asScript).getvalue( "DirectOperator" ) } + __Function.update({"useApproximatedDerivatives":True}) + __Function.update(__Parameters) + elif asThreeFunctions: + __Function = { + "Direct" :ImportFromScript(asScript).getvalue( "DirectOperator" ), + "Tangent":ImportFromScript(asScript).getvalue( "TangentOperator" ), + "Adjoint":ImportFromScript(asScript).getvalue( "AdjointOperator" ), + } + __Function.update(__Parameters) + else: + __Matrix = asMatrix + if asOneFunction is not None: + if isinstance(asOneFunction, dict) and "Direct" in asOneFunction: + if asOneFunction["Direct"] is not None: + __Function = asOneFunction + else: + raise ValueError("The function has to be given in a dictionnary which have 1 key (\"Direct\")") + else: + __Function = { "Direct":asOneFunction } + __Function.update({"useApproximatedDerivatives":True}) + __Function.update(__Parameters) + elif asThreeFunctions is not None: + if isinstance(asThreeFunctions, dict) and \ + ("Tangent" in asThreeFunctions) and (asThreeFunctions["Tangent"] is not None) and \ + ("Adjoint" in asThreeFunctions) and (asThreeFunctions["Adjoint"] is not None) and \ + (("useApproximatedDerivatives" not in asThreeFunctions) or not bool(asThreeFunctions["useApproximatedDerivatives"])): + __Function = asThreeFunctions + elif isinstance(asThreeFunctions, dict) and \ + ("Direct" in asThreeFunctions) and (asThreeFunctions["Direct"] is not None): + __Function = asThreeFunctions + __Function.update({"useApproximatedDerivatives":True}) + else: + raise ValueError("The functions has to be given in a dictionnary which have either 1 key (\"Direct\") or 3 keys (\"Direct\" (optionnal), \"Tangent\" and \"Adjoint\")") + if "Direct" not in asThreeFunctions: + __Function["Direct"] = asThreeFunctions["Tangent"] + __Function.update(__Parameters) + else: + __Function = None + # + # if sys.version_info[0] < 3 and isinstance(__Function, dict): + #  for k in ("Direct", "Tangent", "Adjoint"): + #  if k in __Function and hasattr(__Function[k],"__class__"): + #  if type(__Function[k]) is type(self.__init__): + #  raise TypeError("can't use a class method (%s) as a function for the \"%s\" operator. Use a real function instead."%(type(__Function[k]),k)) + # + if appliedInX is not None and isinstance(appliedInX, dict): + __appliedInX = appliedInX + elif appliedInX is not None: + __appliedInX = {"HXb":appliedInX} + else: + __appliedInX = None + # + if scheduledBy is not None: + self.__T = scheduledBy + # + if isinstance(__Function, dict) and \ + ("useApproximatedDerivatives" in __Function) and bool(__Function["useApproximatedDerivatives"]) and \ + ("Direct" in __Function) and (__Function["Direct"] is not None): + if "withCenteredDF" not in __Function: __Function["withCenteredDF"] = False + if "withIncrement" not in __Function: __Function["withIncrement"] = 0.01 + if "withdX" not in __Function: __Function["withdX"] = None + if "withAvoidingRedundancy" not in __Function: __Function["withAvoidingRedundancy"] = True + if "withToleranceInRedundancy" not in __Function: __Function["withToleranceInRedundancy"] = 1.e-18 + if "withLenghtOfRedundancy" not in __Function: __Function["withLenghtOfRedundancy"] = -1 + if "withmpEnabled" not in __Function: __Function["withmpEnabled"] = False + if "withmpWorkers" not in __Function: __Function["withmpWorkers"] = None + from daNumerics.ApproximatedDerivatives import FDApproximation + FDA = FDApproximation( + Function = __Function["Direct"], + centeredDF = __Function["withCenteredDF"], + increment = __Function["withIncrement"], + dX = __Function["withdX"], + avoidingRedundancy = __Function["withAvoidingRedundancy"], + toleranceInRedundancy = __Function["withToleranceInRedundancy"], + lenghtOfRedundancy = __Function["withLenghtOfRedundancy"], + mpEnabled = __Function["withmpEnabled"], + mpWorkers = __Function["withmpWorkers"], + ) + self.__FO["Direct"] = Operator( fromMethod = FDA.DirectOperator, avoidingRedundancy = avoidRC ) + self.__FO["Tangent"] = Operator( fromMethod = FDA.TangentOperator, avoidingRedundancy = avoidRC ) + self.__FO["Adjoint"] = Operator( fromMethod = FDA.AdjointOperator, avoidingRedundancy = avoidRC ) + elif isinstance(__Function, dict) and \ + ("Direct" in __Function) and ("Tangent" in __Function) and ("Adjoint" in __Function) and \ + (__Function["Direct"] is not None) and (__Function["Tangent"] is not None) and (__Function["Adjoint"] is not None): + self.__FO["Direct"] = Operator( fromMethod = __Function["Direct"], avoidingRedundancy = avoidRC ) + self.__FO["Tangent"] = Operator( fromMethod = __Function["Tangent"], avoidingRedundancy = avoidRC ) + self.__FO["Adjoint"] = Operator( fromMethod = __Function["Adjoint"], avoidingRedundancy = avoidRC ) + elif asMatrix is not None: + __matrice = numpy.matrix( asMatrix, numpy.float ) + self.__FO["Direct"] = Operator( fromMatrix = __matrice, avoidingRedundancy = avoidRC ) + self.__FO["Tangent"] = Operator( fromMatrix = __matrice, avoidingRedundancy = avoidRC ) + self.__FO["Adjoint"] = Operator( fromMatrix = __matrice.T, avoidingRedundancy = avoidRC ) + del __matrice + else: + raise ValueError("Improperly defined observation operator, it requires at minima either a matrix, a Direct for approximate derivatives or a Tangent/Adjoint pair.") + # + if __appliedInX is not None: + self.__FO["AppliedInX"] = {} + if type(__appliedInX) is not dict: + raise ValueError("Error: observation operator defined by \"AppliedInX\" need a dictionary as argument.") + for key in list(__appliedInX.keys()): + if type( __appliedInX[key] ) is type( numpy.matrix([]) ): + # Pour le cas où l'on a une vraie matrice + self.__FO["AppliedInX"][key] = numpy.matrix( __appliedInX[key].A1, numpy.float ).T + elif type( __appliedInX[key] ) is type( numpy.array([]) ) and len(__appliedInX[key].shape) > 1: + # Pour le cas où l'on a un vecteur représenté en array avec 2 dimensions + self.__FO["AppliedInX"][key] = numpy.matrix( __appliedInX[key].reshape(len(__appliedInX[key]),), numpy.float ).T + else: + self.__FO["AppliedInX"][key] = numpy.matrix( __appliedInX[key], numpy.float ).T + else: + self.__FO["AppliedInX"] = None + + def getO(self): + return self.__FO + + def __repr__(self): + "x.__repr__() <==> repr(x)" + return repr(self.__V) + + def __str__(self): + "x.__str__() <==> str(x)" + return str(self.__V) + # ============================================================================== class Algorithm(object): """ - Classe générale d'interface de type algorithme + Classe générale d'interface de type algorithme - Elle donne un cadre pour l'écriture d'une classe élémentaire d'algorithme + Elle donne un cadre pour l'écriture d'une classe élémentaire d'algorithme d'assimilation, en fournissant un container (dictionnaire) de variables - persistantes initialisées, et des méthodes d'accès à ces variables stockées. + persistantes initialisées, et des méthodes d'accès à ces variables stockées. - Une classe élémentaire d'algorithme doit implémenter la méthode "run". + Une classe élémentaire d'algorithme doit implémenter la méthode "run". """ def __init__(self, name): """ - L'initialisation présente permet de fabriquer des variables de stockage - disponibles de manière générique dans les algorithmes élémentaires. Ces - variables de stockage sont ensuite conservées dans un dictionnaire - interne à l'objet, mais auquel on accède par la méthode "get". + L'initialisation présente permet de fabriquer des variables de stockage + disponibles de manière générique dans les algorithmes élémentaires. Ces + variables de stockage sont ensuite conservées dans un dictionnaire + interne à l'objet, mais auquel on accède par la méthode "get". - Les variables prévues sont : + Les variables prévues sont : - CostFunctionJ : fonction-cout globale, somme des deux parties suivantes - - CostFunctionJb : partie ébauche ou background de la fonction-cout + - CostFunctionJb : partie ébauche ou background de la fonction-cout - CostFunctionJo : partie observations de la fonction-cout - GradientOfCostFunctionJ : gradient de la fonction-cout globale - - GradientOfCostFunctionJb : gradient de la partie ébauche de la fonction-cout + - GradientOfCostFunctionJb : gradient de la partie ébauche de la fonction-cout - GradientOfCostFunctionJo : gradient de la partie observations de la fonction-cout - - CurrentState : état courant lors d'itérations + - CurrentState : état courant lors d'itérations - Analysis : l'analyse Xa - - SimulatedObservationAtBackground : l'état observé H(Xb) à l'ébauche - - SimulatedObservationAtCurrentState : l'état observé H(X) à l'état courant - - SimulatedObservationAtOptimum : l'état observé H(Xa) à l'optimum + - SimulatedObservationAtBackground : l'état observé H(Xb) à l'ébauche + - SimulatedObservationAtCurrentState : l'état observé H(X) à l'état courant + - SimulatedObservationAtOptimum : l'état observé H(Xa) à l'optimum - Innovation : l'innovation : d = Y - H(X) - - InnovationAtCurrentState : l'innovation à l'état courant : dn = Y - H(Xn) + - InnovationAtCurrentState : l'innovation à l'état courant : dn = Y - H(Xn) - SigmaObs2 : indicateur de correction optimale des erreurs d'observation - - SigmaBck2 : indicateur de correction optimale des erreurs d'ébauche + - SigmaBck2 : indicateur de correction optimale des erreurs d'ébauche - MahalanobisConsistency : indicateur de consistance des covariances - OMA : Observation moins Analysis : Y - Xa - OMB : Observation moins Background : Y - Xb - AMB : Analysis moins Background : Xa - Xb - APosterioriCovariance : matrice A - APosterioriVariances : variances de la matrice A - - APosterioriStandardDeviations : écart-types de la matrice A + - APosterioriStandardDeviations : écart-types de la matrice A - APosterioriCorrelations : correlations de la matrice A - - Residu : dans le cas des algorithmes de vérification - On peut rajouter des variables à stocker dans l'initialisation de - l'algorithme élémentaire qui va hériter de cette classe + - Residu : dans le cas des algorithmes de vérification + On peut rajouter des variables à stocker dans l'initialisation de + l'algorithme élémentaire qui va hériter de cette classe """ logging.debug("%s Initialisation", str(name)) self._m = PlatformInfo.SystemUsage() @@ -361,15 +527,15 @@ class Algorithm(object): self.StoredVariables["Residu"] = Persistence.OneScalar(name = "Residu") def _pre_run(self, Parameters ): - "Pré-calcul" + "Pré-calcul" logging.debug("%s Lancement", self._name) - logging.debug("%s Taille mémoire utilisée de %.0f Mio", self._name, self._m.getUsedMemory("Mio")) + logging.debug("%s Taille mémoire utilisée de %.0f Mio", self._name, self._m.getUsedMemory("Mio")) # # Mise a jour de self._parameters avec Parameters self.__setParameters(Parameters) # # Corrections et complements - if "Bounds" in self._parameters and (type(self._parameters["Bounds"]) is type([]) or type(self._parameters["Bounds"]) is type(())) and (len(self._parameters["Bounds"]) > 0): + if ("Bounds" in self._parameters) and isinstance(self._parameters["Bounds"], (list, tuple)) and (len(self._parameters["Bounds"]) > 0): logging.debug("%s Prise en compte des bornes effectuee"%(self._name,)) else: self._parameters["Bounds"] = None @@ -405,18 +571,18 @@ class Algorithm(object): _C = numpy.dot(_EI, numpy.dot(_A, _EI)) self.StoredVariables["APosterioriCorrelations"].store( _C ) if _oH is not None: - logging.debug("%s Nombre d'évaluation(s) de l'opérateur d'observation direct/tangent/adjoint.: %i/%i/%i", self._name, _oH["Direct"].nbcalls(0),_oH["Tangent"].nbcalls(0),_oH["Adjoint"].nbcalls(0)) - logging.debug("%s Nombre d'appels au cache d'opérateur d'observation direct/tangent/adjoint..: %i/%i/%i", self._name, _oH["Direct"].nbcalls(3),_oH["Tangent"].nbcalls(3),_oH["Adjoint"].nbcalls(3)) - logging.debug("%s Taille mémoire utilisée de %.0f Mio", self._name, self._m.getUsedMemory("Mio")) - logging.debug("%s Terminé", self._name) + logging.debug("%s Nombre d'évaluation(s) de l'opérateur d'observation direct/tangent/adjoint.: %i/%i/%i", self._name, _oH["Direct"].nbcalls(0),_oH["Tangent"].nbcalls(0),_oH["Adjoint"].nbcalls(0)) + logging.debug("%s Nombre d'appels au cache d'opérateur d'observation direct/tangent/adjoint..: %i/%i/%i", self._name, _oH["Direct"].nbcalls(3),_oH["Tangent"].nbcalls(3),_oH["Adjoint"].nbcalls(3)) + logging.debug("%s Taille mémoire utilisée de %.0f Mio", self._name, self._m.getUsedMemory("Mio")) + logging.debug("%s Terminé", self._name) return 0 def get(self, key=None): """ - Renvoie l'une des variables stockées identifiée par la clé, ou le + Renvoie l'une des variables stockées identifiée par la clé, ou le dictionnaire de l'ensemble des variables disponibles en l'absence de - clé. Ce sont directement les variables sous forme objet qui sont - renvoyées, donc les méthodes d'accès à l'objet individuel sont celles + clé. Ce sont directement les variables sous forme objet qui sont + renvoyées, donc les méthodes d'accès à l'objet individuel sont celles des classes de persistance. """ if key is not None: @@ -430,19 +596,37 @@ class Algorithm(object): def keys(self): "D.keys() -> list of D's keys" - return self.StoredVariables.keys() + if hasattr(self, "StoredVariables"): + return self.StoredVariables.keys() + else: + return [] + + def pop(self, k, d): + "D.pop(k[,d]) -> v, remove specified key and return the corresponding value" + if hasattr(self, "StoredVariables"): + return self.StoredVariables.pop(k, d) + else: + try: + msg = "'%s'"%k + except: + raise TypeError("pop expected at least 1 arguments, got 0") + "If key is not found, d is returned if given, otherwise KeyError is raised" + try: + return d + except: + raise KeyError(msg) def run(self, Xb=None, Y=None, H=None, M=None, R=None, B=None, Q=None, Parameters=None): """ - Doit implémenter l'opération élémentaire de calcul d'assimilation sous - sa forme mathématique la plus naturelle possible. + Doit implémenter l'opération élémentaire de calcul d'assimilation sous + sa forme mathématique la plus naturelle possible. """ raise NotImplementedError("Mathematical assimilation calculation has not been implemented!") def defineRequiredParameter(self, name = None, default = None, typecast = None, message = None, minval = None, maxval = None, listval = None): """ - Permet de définir dans l'algorithme des paramètres requis et leurs - caractéristiques par défaut. + Permet de définir dans l'algorithme des paramètres requis et leurs + caractéristiques par défaut. """ if name is None: raise ValueError("A name is mandatory to define a required parameter.") @@ -455,23 +639,21 @@ class Algorithm(object): "listval" : listval, "message" : message, } - logging.debug("%s %s (valeur par défaut = %s)", self._name, message, self.setParameterValue(name)) + logging.debug("%s %s (valeur par défaut = %s)", self._name, message, self.setParameterValue(name)) def getRequiredParameters(self, noDetails=True): """ - Renvoie la liste des noms de paramètres requis ou directement le - dictionnaire des paramètres requis. + Renvoie la liste des noms de paramètres requis ou directement le + dictionnaire des paramètres requis. """ if noDetails: - ks = list(self.__required_parameters.keys()) - ks.sort() - return ks + return sorted(self.__required_parameters.keys()) else: return self.__required_parameters def setParameterValue(self, name=None, value=None): """ - Renvoie la valeur d'un paramètre requis de manière contrôlée + Renvoie la valeur d'un paramètre requis de manière contrôlée """ default = self.__required_parameters[name]["default"] typecast = self.__required_parameters[name]["typecast"] @@ -503,7 +685,7 @@ class Algorithm(object): def __setParameters(self, fromDico={}): """ - Permet de stocker les paramètres reçus dans le dictionnaire interne. + Permet de stocker les paramètres reçus dans le dictionnaire interne. """ self._parameters.update( fromDico ) for k in self.__required_parameters.keys(): @@ -516,17 +698,17 @@ class Algorithm(object): # ============================================================================== class Diagnostic(object): """ - Classe générale d'interface de type diagnostic + Classe générale d'interface de type diagnostic - Ce template s'utilise de la manière suivante : il sert de classe "patron" en - même temps que l'une des classes de persistance, comme "OneScalar" par + Ce template s'utilise de la manière suivante : il sert de classe "patron" en + même temps que l'une des classes de persistance, comme "OneScalar" par exemple. - Une classe élémentaire de diagnostic doit implémenter ses deux méthodes, la - méthode "_formula" pour écrire explicitement et proprement la formule pour - l'écriture mathématique du calcul du diagnostic (méthode interne non - publique), et "calculate" pour activer la précédente tout en ayant vérifié - et préparé les données, et pour stocker les résultats à chaque pas (méthode + Une classe élémentaire de diagnostic doit implémenter ses deux méthodes, la + méthode "_formula" pour écrire explicitement et proprement la formule pour + l'écriture mathématique du calcul du diagnostic (méthode interne non + publique), et "calculate" pour activer la précédente tout en ayant vérifié + et préparé les données, et pour stocker les résultats à chaque pas (méthode externe d'activation). """ def __init__(self, name = "", parameters = {}): @@ -536,40 +718,582 @@ class Diagnostic(object): def _formula(self, *args): """ - Doit implémenter l'opération élémentaire de diagnostic sous sa forme - mathématique la plus naturelle possible. + Doit implémenter l'opération élémentaire de diagnostic sous sa forme + mathématique la plus naturelle possible. """ raise NotImplementedError("Diagnostic mathematical formula has not been implemented!") def calculate(self, *args): """ - Active la formule de calcul avec les arguments correctement rangés + Active la formule de calcul avec les arguments correctement rangés """ raise NotImplementedError("Diagnostic activation method has not been implemented!") # ============================================================================== -class Vector(object): +class DiagnosticAndParameters(object): + """ + Classe générale d'interface d'interface de type diagnostic + """ + def __init__(self, + name = "GenericDiagnostic", + asDiagnostic = None, + asIdentifier = None, + asDict = None, + asScript = None, + asUnit = None, + asBaseType = None, + asExistingDiags = None, + ): + """ + """ + self.__name = str(name) + self.__D = None + self.__I = None + self.__P = {} + self.__U = "" + self.__B = None + self.__E = tuple(asExistingDiags) + self.__TheDiag = None + # + if asScript is not None: + __Diag = ImportFromScript(asScript).getvalue( "Diagnostic" ) + __Iden = ImportFromScript(asScript).getvalue( "Identifier" ) + __Dict = ImportFromScript(asScript).getvalue( self.__name, "Parameters" ) + __Unit = ImportFromScript(asScript).getvalue( "Unit" ) + __Base = ImportFromScript(asScript).getvalue( "BaseType" ) + else: + __Diag = asDiagnostic + __Iden = asIdentifier + __Dict = asDict + __Unit = asUnit + __Base = asBaseType + # + if __Diag is not None: + self.__D = str(__Diag) + if __Iden is not None: + self.__I = str(__Iden) + else: + self.__I = str(__Diag) + if __Dict is not None: + self.__P.update( dict(__Dict) ) + if __Unit is None or __Unit == "None": + self.__U = "" + if __Base is None or __Base == "None": + self.__B = None + # + self.__setDiagnostic( self.__D, self.__I, self.__U, self.__B, self.__P, self.__E ) + + def get(self): + "Renvoie l'objet" + return self.__TheDiag + + def __setDiagnostic(self, __choice = None, __name = "", __unit = "", __basetype = None, __parameters = {}, __existings = () ): + """ + Permet de sélectionner un diagnostic a effectuer + """ + if __choice is None: + raise ValueError("Error: diagnostic choice has to be given") + __daDirectory = "daDiagnostics" + # + # Recherche explicitement le fichier complet + # ------------------------------------------ + __module_path = None + for directory in sys.path: + if os.path.isfile(os.path.join(directory, __daDirectory, str(__choice)+'.py')): + __module_path = os.path.abspath(os.path.join(directory, __daDirectory)) + if __module_path is None: + raise ImportError("No diagnostic module named \"%s\" was found in a \"%s\" subdirectory\n The search path is %s"%(__choice, __daDirectory, sys.path)) + # + # Importe le fichier complet comme un module + # ------------------------------------------ + try: + __sys_path_tmp = sys.path ; sys.path.insert(0,__module_path) + self.__diagnosticFile = __import__(str(__choice), globals(), locals(), []) + sys.path = __sys_path_tmp ; del __sys_path_tmp + except ImportError as e: + raise ImportError("The module named \"%s\" was found, but is incorrect at the import stage.\n The import error message is: %s"%(__choice,e)) + # + # Instancie un objet du type élémentaire du fichier + # ------------------------------------------------- + if __name in __existings: + raise ValueError("A default input with the same name \"%s\" already exists."%str(__name)) + else: + self.__TheDiag = self.__diagnosticFile.ElementaryDiagnostic( + name = __name, + unit = __unit, + basetype = __basetype, + parameters = __parameters ) + return 0 + +# ============================================================================== +class AlgorithmAndParameters(object): """ - Classe générale d'interface de type vecteur + Classe générale d'interface d'action pour l'algorithme et ses paramètres + """ + def __init__(self, + name = "GenericAlgorithm", + asAlgorithm = None, + asDict = None, + asScript = None, + ): + """ + """ + self.__name = str(name) + self.__A = None + self.__P = {} + # + self.__algorithm = {} + self.__algorithmFile = None + self.__algorithmName = None + # + self.updateParameters( asDict, asScript ) + # + if asScript is not None: + __Algo = ImportFromScript(asScript).getvalue( "Algorithm" ) + else: + __Algo = asAlgorithm + # + if __Algo is not None: + self.__A = str(__Algo) + self.__P.update( {"Algorithm":self.__A} ) + # + self.__setAlgorithm( self.__A ) + + def updateParameters(self, + asDict = None, + asScript = None, + ): + "Mise a jour des parametres" + if asScript is not None: + __Dict = ImportFromScript(asScript).getvalue( self.__name, "Parameters" ) + else: + __Dict = asDict + # + if __Dict is not None: + self.__P.update( dict(__Dict) ) + + def executePythonScheme(self, asDictAO = None): + "Permet de lancer le calcul d'assimilation" + Operator.CM.clearCache() + # + if not isinstance(asDictAO, dict): + raise ValueError("The objects for algorithm calculation has to be given as a dictionnary, and is not") + if hasattr(asDictAO["Background"],"getO"): self.__Xb = asDictAO["Background"].getO() + elif hasattr(asDictAO["CheckingPoint"],"getO"): self.__Xb = asDictAO["CheckingPoint"].getO() + else: self.__Xb = None + if hasattr(asDictAO["Observation"],"getO"): self.__Y = asDictAO["Observation"].getO() + else: self.__Y = asDictAO["Observation"] + if hasattr(asDictAO["ControlInput"],"getO"): self.__U = asDictAO["ControlInput"].getO() + else: self.__U = asDictAO["ControlInput"] + if hasattr(asDictAO["ObservationOperator"],"getO"): self.__HO = asDictAO["ObservationOperator"].getO() + else: self.__HO = asDictAO["ObservationOperator"] + if hasattr(asDictAO["EvolutionModel"],"getO"): self.__EM = asDictAO["EvolutionModel"].getO() + else: self.__EM = asDictAO["EvolutionModel"] + if hasattr(asDictAO["ControlModel"],"getO"): self.__CM = asDictAO["ControlModel"].getO() + else: self.__CM = asDictAO["ControlModel"] + self.__B = asDictAO["BackgroundError"] + self.__R = asDictAO["ObservationError"] + self.__Q = asDictAO["EvolutionError"] + # + self.__shape_validate() + # + self.__algorithm.run( + Xb = self.__Xb, + Y = self.__Y, + U = self.__U, + HO = self.__HO, + EM = self.__EM, + CM = self.__CM, + R = self.__R, + B = self.__B, + Q = self.__Q, + Parameters = self.__P, + ) + return 0 + + def executeYACSScheme(self, FileName=None): + "Permet de lancer le calcul d'assimilation" + if FileName is None or not os.path.exists(FileName): + raise ValueError("a existing DIC Python file name has to be given for YACS execution.\n") + if not os.environ.has_key("ADAO_ROOT_DIR"): + raise ImportError("Unable to get ADAO_ROOT_DIR environnement variable. Please launch SALOME to add ADAO_ROOT_DIR to your environnement.\n") + # + __converterExe = os.path.join(os.environ["ADAO_ROOT_DIR"], "bin/salome", "AdaoYacsSchemaCreator.py") + __inputFile = os.path.abspath(FileName) + __outputFile = __inputFile[:__inputFile.rfind(".")] + '.xml' + # + __args = ["python", __converterExe, __inputFile, __outputFile] + import subprocess + __p = subprocess.Popen(__args) + (__stdoutdata, __stderrdata) = __p.communicate() + if not os.path.exists(__outputFile): + __msg = "An error occured during the execution of the ADAO YACS Schema\n" + __msg += "Creator applied on the input file:\n" + __msg += " %s\n"%__outputFile + __msg += "If SALOME GUI is launched by command line, see errors\n" + __msg += "details in your terminal.\n" + raise ValueError(__msg) + # + try: + import pilot + import SALOMERuntime + import loader + SALOMERuntime.RuntimeSALOME_setRuntime() + + r = pilot.getRuntime() + xmlLoader = loader.YACSLoader() + xmlLoader.registerProcCataLoader() + try: + catalogAd = r.loadCatalog("proc", __outputFile) + except: + pass + r.addCatalog(catalogAd) + + try: + p = xmlLoader.load(__outputFile) + except IOError as ex: + print("IO exception: %s"%(ex,)) + + logger = p.getLogger("parser") + if not logger.isEmpty(): + print("The imported file has errors :") + print(logger.getStr()) + + if not p.isValid(): + print("Le schéma n'est pas valide et ne peut pas être exécuté") + print(p.getErrorReport()) + + info=pilot.LinkInfo(pilot.LinkInfo.ALL_DONT_STOP) + p.checkConsistency(info) + if info.areWarningsOrErrors(): + print("Le schéma n'est pas cohérent et ne peut pas être exécuté") + print(info.getGlobalRepr()) + + e = pilot.ExecutorSwig() + e.RunW(p) + if p.getEffectiveState() != pilot.DONE: + print(p.getErrorReport()) + except: + raise ValueError("execution error of YACS scheme") + # + return 0 + + def get(self, key = None): + "Vérifie l'existence d'une clé de variable ou de paramètres" + if key in self.__algorithm: + return self.__algorithm.get( key ) + elif key in self.__P: + return self.__P[key] + else: + return self.__P + + def pop(self, k, d): + "Necessaire pour le pickling" + return self.__algorithm.pop(k, d) + + def getAlgorithmRequiredParameters(self, noDetails=True): + "Renvoie la liste des paramètres requis selon l'algorithme" + return self.__algorithm.getRequiredParameters(noDetails) + + def setObserver(self, __V, __O, __I, __S): + if self.__algorithm is None \ + or isinstance(self.__algorithm, dict) \ + or not hasattr(self.__algorithm,"StoredVariables"): + raise ValueError("No observer can be build before choosing an algorithm.") + if __V not in self.__algorithm: + raise ValueError("An observer requires to be set on a variable named %s which does not exist."%__V) + else: + self.__algorithm.StoredVariables[ __V ].setDataObserver( + Scheduler = __S, + HookFunction = __O, + HookParameters = __I, + ) + + def removeObserver(self, __V, __O, __A = False): + if self.__algorithm is None \ + or isinstance(self.__algorithm, dict) \ + or not hasattr(self.__algorithm,"StoredVariables"): + raise ValueError("No observer can be removed before choosing an algorithm.") + if __V not in self.__algorithm: + raise ValueError("An observer requires to be removed on a variable named %s which does not exist."%__V) + else: + return self.__algorithm.StoredVariables[ __V ].removeDataObserver( + HookFunction = __O, + AllObservers = __A, + ) + + def hasObserver(self, __V): + if self.__algorithm is None \ + or isinstance(self.__algorithm, dict) \ + or not hasattr(self.__algorithm,"StoredVariables"): + return False + if __V not in self.__algorithm: + return False + return self.__algorithm.StoredVariables[ __V ].hasDataObserver() + + def keys(self): + return list(self.__algorithm.keys()) + list(self.__P.keys()) + + def __contains__(self, key=None): + "D.__contains__(k) -> True if D has a key k, else False" + return key in self.__algorithm or key in self.__P + + def __repr__(self): + "x.__repr__() <==> repr(x)" + return repr(self.__A)+", "+repr(self.__P) + + def __str__(self): + "x.__str__() <==> str(x)" + return str(self.__A)+", "+str(self.__P) + + def __setAlgorithm(self, choice = None ): + """ + Permet de sélectionner l'algorithme à utiliser pour mener à bien l'étude + d'assimilation. L'argument est un champ caractère se rapportant au nom + d'un fichier contenu dans "../daAlgorithms" et réalisant l'opération + d'assimilation sur les arguments fixes. + """ + if choice is None: + raise ValueError("Error: algorithm choice has to be given") + if self.__algorithmName is not None: + raise ValueError("Error: algorithm choice has already been done as \"%s\", it can't be changed."%self.__algorithmName) + daDirectory = "daAlgorithms" + # + # Recherche explicitement le fichier complet + # ------------------------------------------ + module_path = None + for directory in sys.path: + if os.path.isfile(os.path.join(directory, daDirectory, str(choice)+'.py')): + module_path = os.path.abspath(os.path.join(directory, daDirectory)) + if module_path is None: + raise ImportError("No algorithm module named \"%s\" was found in a \"%s\" subdirectory\n The search path is %s"%(choice, daDirectory, sys.path)) + # + # Importe le fichier complet comme un module + # ------------------------------------------ + try: + sys_path_tmp = sys.path ; sys.path.insert(0,module_path) + self.__algorithmFile = __import__(str(choice), globals(), locals(), []) + self.__algorithmName = str(choice) + sys.path = sys_path_tmp ; del sys_path_tmp + except ImportError as e: + raise ImportError("The module named \"%s\" was found, but is incorrect at the import stage.\n The import error message is: %s"%(choice,e)) + # + # Instancie un objet du type élémentaire du fichier + # ------------------------------------------------- + self.__algorithm = self.__algorithmFile.ElementaryAlgorithm() + return 0 + + def __shape_validate(self): + """ + Validation de la correspondance correcte des tailles des variables et + des matrices s'il y en a. + """ + if self.__Xb is None: __Xb_shape = (0,) + elif hasattr(self.__Xb,"size"): __Xb_shape = (self.__Xb.size,) + elif hasattr(self.__Xb,"shape"): + if isinstance(self.__Xb.shape, tuple): __Xb_shape = self.__Xb.shape + else: __Xb_shape = self.__Xb.shape() + else: raise TypeError("The background (Xb) has no attribute of shape: problem !") + # + if self.__Y is None: __Y_shape = (0,) + elif hasattr(self.__Y,"size"): __Y_shape = (self.__Y.size,) + elif hasattr(self.__Y,"shape"): + if isinstance(self.__Y.shape, tuple): __Y_shape = self.__Y.shape + else: __Y_shape = self.__Y.shape() + else: raise TypeError("The observation (Y) has no attribute of shape: problem !") + # + if self.__U is None: __U_shape = (0,) + elif hasattr(self.__U,"size"): __U_shape = (self.__U.size,) + elif hasattr(self.__U,"shape"): + if isinstance(self.__U.shape, tuple): __U_shape = self.__U.shape + else: __U_shape = self.__U.shape() + else: raise TypeError("The control (U) has no attribute of shape: problem !") + # + if self.__B is None: __B_shape = (0,0) + elif hasattr(self.__B,"shape"): + if isinstance(self.__B.shape, tuple): __B_shape = self.__B.shape + else: __B_shape = self.__B.shape() + else: raise TypeError("The a priori errors covariance matrix (B) has no attribute of shape: problem !") + # + if self.__R is None: __R_shape = (0,0) + elif hasattr(self.__R,"shape"): + if isinstance(self.__R.shape, tuple): __R_shape = self.__R.shape + else: __R_shape = self.__R.shape() + else: raise TypeError("The observation errors covariance matrix (R) has no attribute of shape: problem !") + # + if self.__Q is None: __Q_shape = (0,0) + elif hasattr(self.__Q,"shape"): + if isinstance(self.__Q.shape, tuple): __Q_shape = self.__Q.shape + else: __Q_shape = self.__Q.shape() + else: raise TypeError("The evolution errors covariance matrix (Q) has no attribute of shape: problem !") + # + if len(self.__HO) == 0: __HO_shape = (0,0) + elif isinstance(self.__HO, dict): __HO_shape = (0,0) + elif hasattr(self.__HO["Direct"],"shape"): + if isinstance(self.__HO["Direct"].shape, tuple): __HO_shape = self.__HO["Direct"].shape + else: __HO_shape = self.__HO["Direct"].shape() + else: raise TypeError("The observation operator (H) has no attribute of shape: problem !") + # + if len(self.__EM) == 0: __EM_shape = (0,0) + elif isinstance(self.__EM, dict): __EM_shape = (0,0) + elif hasattr(self.__EM["Direct"],"shape"): + if isinstance(self.__EM["Direct"].shape, tuple): __EM_shape = self.__EM["Direct"].shape + else: __EM_shape = self.__EM["Direct"].shape() + else: raise TypeError("The evolution model (EM) has no attribute of shape: problem !") + # + if len(self.__CM) == 0: __CM_shape = (0,0) + elif isinstance(self.__CM, dict): __CM_shape = (0,0) + elif hasattr(self.__CM["Direct"],"shape"): + if isinstance(self.__CM["Direct"].shape, tuple): __CM_shape = self.__CM["Direct"].shape + else: __CM_shape = self.__CM["Direct"].shape() + else: raise TypeError("The control model (CM) has no attribute of shape: problem !") + # + # Vérification des conditions + # --------------------------- + if not( len(__Xb_shape) == 1 or min(__Xb_shape) == 1 ): + raise ValueError("Shape characteristic of background (Xb) is incorrect: \"%s\"."%(__Xb_shape,)) + if not( len(__Y_shape) == 1 or min(__Y_shape) == 1 ): + raise ValueError("Shape characteristic of observation (Y) is incorrect: \"%s\"."%(__Y_shape,)) + # + if not( min(__B_shape) == max(__B_shape) ): + raise ValueError("Shape characteristic of a priori errors covariance matrix (B) is incorrect: \"%s\"."%(__B_shape,)) + if not( min(__R_shape) == max(__R_shape) ): + raise ValueError("Shape characteristic of observation errors covariance matrix (R) is incorrect: \"%s\"."%(__R_shape,)) + if not( min(__Q_shape) == max(__Q_shape) ): + raise ValueError("Shape characteristic of evolution errors covariance matrix (Q) is incorrect: \"%s\"."%(__Q_shape,)) + if not( min(__EM_shape) == max(__EM_shape) ): + raise ValueError("Shape characteristic of evolution operator (EM) is incorrect: \"%s\"."%(__EM_shape,)) + # + if len(self.__HO) > 0 and not(type(self.__HO) is type({})) and not( __HO_shape[1] == max(__Xb_shape) ): + raise ValueError("Shape characteristic of observation operator (H) \"%s\" and state (X) \"%s\" are incompatible."%(__HO_shape,__Xb_shape)) + if len(self.__HO) > 0 and not(type(self.__HO) is type({})) and not( __HO_shape[0] == max(__Y_shape) ): + raise ValueError("Shape characteristic of observation operator (H) \"%s\" and observation (Y) \"%s\" are incompatible."%(__HO_shape,__Y_shape)) + if len(self.__HO) > 0 and not(type(self.__HO) is type({})) and len(self.__B) > 0 and not( __HO_shape[1] == __B_shape[0] ): + raise ValueError("Shape characteristic of observation operator (H) \"%s\" and a priori errors covariance matrix (B) \"%s\" are incompatible."%(__HO_shape,__B_shape)) + if len(self.__HO) > 0 and not(type(self.__HO) is type({})) and len(self.__R) > 0 and not( __HO_shape[0] == __R_shape[1] ): + raise ValueError("Shape characteristic of observation operator (H) \"%s\" and observation errors covariance matrix (R) \"%s\" are incompatible."%(__HO_shape,__R_shape)) + # + if self.__B is not None and len(self.__B) > 0 and not( __B_shape[1] == max(__Xb_shape) ): + if self.__algorithmName in ["EnsembleBlue",]: + asPersistentVector = self.__Xb.reshape((-1,min(__B_shape))) + self.__Xb = Persistence.OneVector("Background", basetype=numpy.matrix) + for member in asPersistentVector: + self.__Xb.store( numpy.matrix( numpy.ravel(member), numpy.float ).T ) + __Xb_shape = min(__B_shape) + else: + raise ValueError("Shape characteristic of a priori errors covariance matrix (B) \"%s\" and background (Xb) \"%s\" are incompatible."%(__B_shape,__Xb_shape)) + # + if self.__R is not None and len(self.__R) > 0 and not( __R_shape[1] == max(__Y_shape) ): + raise ValueError("Shape characteristic of observation errors covariance matrix (R) \"%s\" and observation (Y) \"%s\" are incompatible."%(__R_shape,__Y_shape)) + # + if self.__EM is not None and len(self.__EM) > 0 and not(type(self.__EM) is type({})) and not( __EM_shape[1] == max(__Xb_shape) ): + raise ValueError("Shape characteristic of evolution model (EM) \"%s\" and state (X) \"%s\" are incompatible."%(__EM_shape,__Xb_shape)) + # + if self.__CM is not None and len(self.__CM) > 0 and not(type(self.__CM) is type({})) and not( __CM_shape[1] == max(__U_shape) ): + raise ValueError("Shape characteristic of control model (CM) \"%s\" and control (U) \"%s\" are incompatible."%(__CM_shape,__U_shape)) + # + if ("Bounds" in self.__P) \ + and (isinstance(self.__P["Bounds"], list) or isinstance(self.__P["Bounds"], tuple)) \ + and (len(self.__P["Bounds"]) != max(__Xb_shape)): + raise ValueError("The number \"%s\" of bound pairs for the state (X) components is different of the size \"%s\" of the state itself." \ + %(len(self.__P["Bounds"]),max(__Xb_shape))) + # + return 1 + +# ============================================================================== +class DataObserver(object): + """ + Classe générale d'interface de type observer + """ + def __init__(self, + name = "GenericObserver", + onVariable = None, + asTemplate = None, + asString = None, + asScript = None, + asObsObject = None, + withInfo = None, + scheduledBy = None, + withAlgo = None, + ): + """ + """ + self.__name = str(name) + self.__V = None + self.__O = None + self.__I = None + # + if onVariable is None: + raise ValueError("setting an observer has to be done over a variable name or a list of variable names, not over None.") + elif type(onVariable) in (tuple, list): + self.__V = tuple(map( str, onVariable )) + if withInfo is None: + self.__I = self.__V + else: + self.__I = (str(withInfo),)*len(self.__V) + elif isinstance(onVariable, str): + self.__V = (onVariable,) + if withInfo is None: + self.__I = (onVariable,) + else: + self.__I = (str(withInfo),) + else: + raise ValueError("setting an observer has to be done over a variable name or a list of variable names.") + # + if asString is not None: + __FunctionText = asString + elif (asTemplate is not None) and (asTemplate in Templates.ObserverTemplates): + __FunctionText = Templates.ObserverTemplates[asTemplate] + elif asScript is not None: + __FunctionText = ImportFromScript(asScript).getstring() + else: + __FunctionText = "" + __Function = ObserverF(__FunctionText) + # + if asObsObject is not None: + self.__O = asObsObject + else: + self.__O = __Function.getfunc() + # + for k in range(len(self.__V)): + ename = self.__V[k] + einfo = self.__I[k] + if ename not in withAlgo: + raise ValueError("An observer is asked to be set on a variable named %s which does not exist."%ename) + else: + withAlgo.setObserver(ename, self.__O, einfo, scheduledBy) + + def __repr__(self): + "x.__repr__() <==> repr(x)" + return repr(self.__V)+"\n"+repr(self.__O) + + def __str__(self): + "x.__str__() <==> str(x)" + return str(self.__V)+"\n"+str(self.__O) + +# ============================================================================== +class State(object): + """ + Classe générale d'interface de type état """ def __init__(self, name = "GenericVector", asVector = None, asPersistentVector = None, - fromScript = None, - Scheduler = None, + asScript = None, + scheduledBy = None, toBeChecked = False, ): """ - Permet de définir un vecteur : - - asVector : entrée des données, comme un vecteur compatible avec le - constructeur de numpy.matrix, ou "True" si entrée par script. - - asPersistentVector : entrée des données, comme une série de vecteurs + Permet de définir un vecteur : + - asVector : entrée des données, comme un vecteur compatible avec le + constructeur de numpy.matrix, ou "True" si entrée par script. + - asPersistentVector : entrée des données, comme une série de vecteurs compatible avec le constructeur de numpy.matrix, ou comme un objet de - type Persistence, ou "True" si entrée par script. - - fromScript : si un script valide est donné contenant une variable - nommée "name", la variable est de type "asVector" (par défaut) ou - "asPersistentVector" selon que l'une de ces variables est placée à + type Persistence, ou "True" si entrée par script. + - asScript : si un script valide est donné contenant une variable + nommée "name", la variable est de type "asVector" (par défaut) ou + "asPersistentVector" selon que l'une de ces variables est placée à "True". """ self.__name = str(name) @@ -580,23 +1304,23 @@ class Vector(object): self.__is_vector = False self.__is_series = False # - if fromScript is not None: + if asScript is not None: __Vector, __Series = None, None - if VectorSerie: - __Series = ImportFromScript(fromScript).getvalue( self.__name ) + if asPersistentVector: + __Series = ImportFromScript(asScript).getvalue( self.__name ) else: - __Vector = ImportFromScript(fromScript).getvalue( self.__name ) + __Vector = ImportFromScript(asScript).getvalue( self.__name ) else: __Vector, __Series = asVector, asPersistentVector # if __Vector is not None: self.__is_vector = True - self.__V = numpy.matrix( numpy.ravel(numpy.matrix(asVector)), numpy.float ).T + self.__V = numpy.matrix( numpy.asmatrix(__Vector).A1, numpy.float ).T self.shape = self.__V.shape self.size = self.__V.size elif __Series is not None: self.__is_series = True - if type(__Series) in [tuple, list, numpy.ndarray, numpy.matrix]: + if type(__Series) in (tuple, list, numpy.ndarray, numpy.matrix): self.__V = Persistence.OneVector(self.__name, basetype=numpy.matrix) for member in __Series: self.__V.store( numpy.matrix( numpy.asmatrix(member).A1, numpy.float ).T ) @@ -607,19 +1331,29 @@ class Vector(object): self.shape = self.__V.shape else: self.shape = self.__V.shape() + if len(self.shape) == 1: + self.shape = (self.shape[0],1) self.size = self.shape[0] * self.shape[1] else: raise ValueError("The %s object is improperly defined, it requires at minima either a vector, a list/tuple of vectors or a persistent object. Please check your vector input."%self.__name) # - if Scheduler is not None: - self.__T = Scheduler + if scheduledBy is not None: + self.__T = scheduledBy + + def getO(self, withScheduler=False): + if withScheduler: + return self.__V, self.__T + elif self.__T is None: + return self.__V + else: + return self.__V def isvector(self): - "Vérification du type interne" + "Vérification du type interne" return self.__is_vector def isseries(self): - "Vérification du type interne" + "Vérification du type interne" return self.__is_series def __repr__(self): @@ -633,7 +1367,7 @@ class Vector(object): # ============================================================================== class Covariance(object): """ - Classe générale d'interface de type covariance + Classe générale d'interface de type covariance """ def __init__(self, name = "GenericCovariance", @@ -641,25 +1375,25 @@ class Covariance(object): asEyeByScalar = None, asEyeByVector = None, asCovObject = None, - fromScript = None, + asScript = None, toBeChecked = False, ): """ - Permet de définir une covariance : - - asCovariance : entrée des données, comme une matrice compatible avec + Permet de définir une covariance : + - asCovariance : entrée des données, comme une matrice compatible avec le constructeur de numpy.matrix - - asEyeByScalar : entrée des données comme un seul scalaire de variance, - multiplicatif d'une matrice de corrélation identité, aucune matrice - n'étant donc explicitement à donner - - asEyeByVector : entrée des données comme un seul vecteur de variance, - à mettre sur la diagonale d'une matrice de corrélation, aucune matrice - n'étant donc explicitement à donner - - asCovObject : entrée des données comme un objet python, qui a les + - asEyeByScalar : entrée des données comme un seul scalaire de variance, + multiplicatif d'une matrice de corrélation identité, aucune matrice + n'étant donc explicitement à donner + - asEyeByVector : entrée des données comme un seul vecteur de variance, + à mettre sur la diagonale d'une matrice de corrélation, aucune matrice + n'étant donc explicitement à donner + - asCovObject : entrée des données comme un objet python, qui a les methodes obligatoires "getT", "getI", "diag", "trace", "__add__", "__sub__", "__neg__", "__mul__", "__rmul__" et facultatives "shape", "size", "cholesky", "choleskyI", "asfullmatrix", "__repr__", "__str__" - - toBeChecked : booléen indiquant si le caractère SDP de la matrice - pleine doit être vérifié + - toBeChecked : booléen indiquant si le caractère SDP de la matrice + pleine doit être vérifié """ self.__name = str(name) self.__check = bool(toBeChecked) @@ -670,16 +1404,16 @@ class Covariance(object): self.__is_matrix = False self.__is_object = False # - if fromScript is not None: + if asScript is not None: __Matrix, __Scalar, __Vector, __Object = None, None, None, None if asEyeByScalar: - __Scalar = _ImportFromScript(Script).getvalue( "BackgroundError" ) + __Scalar = ImportFromScript(asScript).getvalue( self.__name ) elif asEyeByVector: - __Vector = _ImportFromScript(Script).getvalue( "BackgroundError" ) + __Vector = ImportFromScript(asScript).getvalue( self.__name ) elif asCovObject: - __Object = _ImportFromScript(Script).getvalue( "BackgroundError" ) + __Object = ImportFromScript(asScript).getvalue( self.__name ) else: - __Matrix = _ImportFromScript(Script).getvalue( "BackgroundError" ) + __Matrix = ImportFromScript(asScript).getvalue( self.__name ) else: __Matrix, __Scalar, __Vector, __Object = asCovariance, asEyeByScalar, asEyeByVector, asCovObject # @@ -742,19 +1476,19 @@ class Covariance(object): raise ValueError("The %s covariance object is not symmetric positive-definite. Please check your matrix input."%(self.__name,)) def isscalar(self): - "Vérification du type interne" + "Vérification du type interne" return self.__is_scalar def isvector(self): - "Vérification du type interne" + "Vérification du type interne" return self.__is_vector def ismatrix(self): - "Vérification du type interne" + "Vérification du type interne" return self.__is_matrix def isobject(self): - "Vérification du type interne" + "Vérification du type interne" return self.__is_object def getI(self): @@ -782,7 +1516,7 @@ class Covariance(object): return Covariance(self.__name+"T", asCovObject = self.__C.getT() ) def cholesky(self): - "Décomposition de Cholesky" + "Décomposition de Cholesky" if self.ismatrix(): return Covariance(self.__name+"C", asCovariance = numpy.linalg.cholesky(self.__C) ) elif self.isvector(): @@ -793,7 +1527,7 @@ class Covariance(object): return Covariance(self.__name+"C", asCovObject = self.__C.cholesky() ) def choleskyI(self): - "Inversion de la décomposition de Cholesky" + "Inversion de la décomposition de Cholesky" if self.ismatrix(): return Covariance(self.__name+"H", asCovariance = numpy.linalg.cholesky(self.__C).I ) elif self.isvector(): @@ -845,6 +1579,9 @@ class Covariance(object): elif self.isobject(): return self.__C.trace() + def getO(self): + return self + def __repr__(self): "x.__repr__() <==> repr(x)" return repr(self.__C) @@ -963,22 +1700,22 @@ class ImportFromScript(object): """ def __init__(self, __filename=None): "Verifie l'existence et importe le script" - __filename = __filename.rstrip(".py") - if __filename is None: + self.__filename = __filename.rstrip(".py") + if self.__filename is None: raise ValueError("The name of the file containing the variable to be imported has to be specified.") - if not os.path.isfile(str(__filename)+".py"): - raise ValueError("The file containing the variable to be imported doesn't seem to exist. The given file name is:\n \"%s\""%__filename) - self.__scriptfile = __import__(__filename, globals(), locals(), []) - self.__scriptstring = open(__filename+".py",'r').read() + if not os.path.isfile(str(self.__filename)+".py"): + raise ValueError("The file containing the variable to be imported doesn't seem to exist. The given file name is:\n \"%s\""%self.__filename) + self.__scriptfile = __import__(self.__filename, globals(), locals(), []) + self.__scriptstring = open(self.__filename+".py",'r').read() def getvalue(self, __varname=None, __synonym=None ): "Renvoie la variable demandee" if __varname is None: raise ValueError("The name of the variable to be imported has to be specified.") if not hasattr(self.__scriptfile, __varname): if __synonym is None: - raise ValueError("The imported script file doesn't contain the specified variable \"%s\"."%__varname) + raise ValueError("The imported script file \"%s\" doesn't contain the specified variable \"%s\"."%(str(self.__filename)+".py",__varname)) elif not hasattr(self.__scriptfile, __synonym): - raise ValueError("The imported script file doesn't contain the specified variable \"%s\"."%__synonym) + raise ValueError("The imported script file \"%s\" doesn't contain the specified variable \"%s\"."%(str(self.__filename)+".py",__synonym)) else: return getattr(self.__scriptfile, __synonym) else: @@ -990,23 +1727,23 @@ class ImportFromScript(object): # ============================================================================== def CostFunction3D(_x, _Hm = None, # Pour simuler Hm(x) : HO["Direct"].appliedTo - _HmX = None, # Simulation déjà faite de Hm(x) + _HmX = None, # Simulation déjà faite de Hm(x) _arg = None, # Arguments supplementaires pour Hm, sous la forme d'un tuple _BI = None, _RI = None, _Xb = None, _Y = None, - _SIV = False, # A résorber pour la 8.0 + _SIV = False, # A résorber pour la 8.0 _SSC = [], # self._parameters["StoreSupplementaryCalculations"] _nPS = 0, # nbPreviousSteps _QM = "DA", # QualityMeasure - _SSV = {}, # Entrée et/ou sortie : self.StoredVariables - _fRt = False, # Restitue ou pas la sortie étendue + _SSV = {}, # Entrée et/ou sortie : self.StoredVariables + _fRt = False, # Restitue ou pas la sortie étendue _sSc = True, # Stocke ou pas les SSC ): """ - Fonction-coût générale utile pour les algorithmes statiques/3D : 3DVAR, BLUE - et dérivés, Kalman et dérivés, LeastSquares, SamplingTest, PSO, SA, Tabu, + Fonction-coût générale utile pour les algorithmes statiques/3D : 3DVAR, BLUE + et dérivés, Kalman et dérivés, LeastSquares, SamplingTest, PSO, SA, Tabu, DFO, QuantileRegression """ if not _sSc: