from .textePersalys import centralTendencyMC, resultMC
from .textePersalys import critereArretMC, advancedParameterMC
from .textePersalys import optionalResultMC, optionalPrintResultMC
-from .textePersalys import printResult
+from .textePersalys import printResultMC, printResultTaylor
from .textePersalys import yacsJobParameters, yacsJobClusterParameters, yacsJobClusterMultiJob
def entryPoint():
from functools import reduce as reduce
self.txtScriptPersalys = ''
+ etapeScenarioData=self.jdc.getEtapesByName('Scenario_data')
+ if etapeScenarioData == [] : return(0, 'il faut au moins un mot-clef Scenario_data') #TODO : à Résorber après modification du catalogue
+ if len(etapeScenarioData) !=1 : return(0, 'il faut au plus un mot-clef Scenario_data') #TODO : à Résorber après modification du catalogue
+ etapeScenarioData = etapeScenarioData[0]
+ self.ScenarioType = etapeScenarioData.getChildOrChildInBloc('scenario_type').valeur
+
etapeIncertitude=self.jdc.getEtapesByName('ExpressionIncertitude')
if etapeIncertitude == [] : return(0, 'il faut au moins un mot-clef ExpressionIncertitude')
if len(etapeIncertitude) !=1 : return(0, 'il faut au plus un mot-clef ExpressionIncertitude')
self.chaineDesVariablesInput+=mc.variableDeterministe.nom + ', '
self.nomsDesVariablesInput.append(mc.variableDeterministe.nom)
self.mcIncertains.append(mc.variableDeterministe)
+
sectionOutput = etapeIncertitude.getChildOrChildInBloc('Output')[0]
self.ScriptPosttraitement = sectionOutput.getChildOrChildInBloc('ScriptPosttraitement').valeur
self.chaineDesVariablesInput=self.chaineDesVariablesInput[0:-2]
else : self.Result = sectionPropagation.getChildOrChildInBloc('Result')[0]
if (self.Methode == 'MonteCarlo'):
self.critereArret = sectionPropagation.getChildOrChildInBloc('CritereArret')[0]
- # self.SimulationsNumber = self.critereArret.getChildOrChildInBloc('SimulationsNumber')[0]
- # self.MaximumElapsedTime = self.critereArret.getChildOrChildInBloc('MaximumElapsedTime')[0]
- # self.Accuracy = self.critereArret.getChildOrChildInBloc('Accuracy')[0]
sectionEvaluationParameter = sectionPropagation.getChildOrChildInBloc('EvaluationParameter')[0]
self.Blocksize = sectionEvaluationParameter.getChildOrChildInBloc('BlockSize').valeur
self.advancedParameter = sectionPropagation.getChildOrChildInBloc('AdvancedParameter')
self.chaineDesVariablesOutputEncodee=''
#listeDesVariablesOutput=[]
self.txtOutputVariableInitList=''
- self.txtGetAllResults = ""
+ self.txtGetAllResults = ''
#TODO? from cata_UQ import FonctionDAggregationDict
fctAggPy={
'valeur à t=O':'vInitialTime',
nomFctAggPyList=''
nomOutputList=''
nomVar = mc.getChildOrChildInBloc('VariablePhysique').valeur
- nomVarEncode = nomVar.replace(' ','__')
+ nomVarEncode = nomVar.replace(' ','__') #TODO : function
nomVarPostraite = mc.getChildOrChildInBloc('VariablePosttraiteeAssociee').valeur
nomFctAggList = mc.getChildOrChildInBloc('FonctionDAggregation').valeur
for nomFctAgg in nomFctAggList:
#else :
# TODO : creer ici le script URANIE
return (1, '')
- # listeDesVariables, nomDesVariables, dicoDesVariables)
- def creeTexteInputVariables(self,indent):
- texte=''
- for v in self.lesVariablesInput :
- if v.variableDeterministe.etape.nature == 'OPERATEUR' :
- nomVariableInput=v.variableDeterministe.etape.sd.nom +'__' + v.variableDeterministe.nom
+ # def creeTexteInputVariables(self,indent):
+ # texte=''
+ # for v in self.lesVariablesInput :
+ # if v.variableDeterministe.etape.nature == 'OPERATEUR' :
+ # nomVariableInput=v.variableDeterministe.etape.sd.nom +'__' + v.variableDeterministe.nom
+ # else :
+ # nomVariableInput=v.variableDeterministe.nom
+ # loiDistribution = v.getChildOrChildInBloc('Distribution').valeur
+ # # on cherche le bloc qui contient ce qui est necessaire a la loi
+ # # on est confiant !!!! sur l adequation du catalogue et des attributs des lois persalys
+ # # reflechir a cela
+ # texte+="{}{} = persalys.Input('{}', ot.{}(".format(indent,nomVariableInput,nomVariableInput,loiDistribution)
+ # chaineArgs=''
+ # leBlocDesArgs=None
+ # for mc in v.mcListe :
+ # if (mc.nom).find('b_Model_Variable_') == 0 :
+ # for mcFils in mc.mcListe :
+ # if mcFils.nom.find(loiDistribution) > 1:
+ # leBlocDesArgs=mcFils
+ # break
+ # if not leBlocDesArgs :
+ # print ('souci pour dumper la loi')
+ # return ''
+ # for mcFils in leBlocDesArgs.mcListe :
+ # chaineArgs+=str(mcFils.valeur) +', '
+ # texte+=chaineArgs[0:-2]+'))\n'
+ # return texte
+
+ def parseMcInputVariable(self,mc,indent):
+
+ if mc.variableDeterministe.etape.nature == 'OPERATEUR' :
+ nom=mc.variableDeterministe.etape.sd.nom +'__' + mc.variableDeterministe.nom
else :
- nomVariableInput=v.variableDeterministe.nom
- loiDistribution = v.getChildOrChildInBloc('Distribution').valeur
+ nom=mc.variableDeterministe.nom
+ loiDistribution = mc.getChildOrChildInBloc('Distribution').valeur
+
# on cherche le bloc qui contient ce qui est necessaire a la loi
# on est confiant !!!! sur l adequation du catalogue et des attributs des lois persalys
# reflechir a cela
- texte+="{}{} = persalys.Input('{}', ot.{}(".format(indent,nomVariableInput,nomVariableInput,loiDistribution)
chaineArgs=''
leBlocDesArgs=None
- for mc in v.mcListe :
+ for mc in mc.mcListe :
if (mc.nom).find('b_Model_Variable_') == 0 :
for mcFils in mc.mcListe :
if mcFils.nom.find(loiDistribution) > 1:
return ''
for mcFils in leBlocDesArgs.mcListe :
chaineArgs+=str(mcFils.valeur) +', '
- texte+=chaineArgs[0:-2]+'))\n'
+
+ return nom,loiDistribution,chaineArgs[0:-2]
+
+ def creeTexteInputVariables(self,indent):
+
+ texte=''
+ for v in self.lesVariablesInput :
+ nomVariableInput,loiDistribution,chaineArgs = self.parseMcInputVariable(v,indent)
+ texte+="{}{} = persalys.Input('{}', ot.{}(".format(indent,nomVariableInput,nomVariableInput,loiDistribution)
+ texte+=chaineArgs+'))\n'
+
return texte
+ def creeTexteInputVariablesSummary(self,indent):
+
+ texte=''
+ for v in self.lesVariablesInput :
+ nomVariableInput,loiDistribution,chaineArgs = self.parseMcInputVariable(v,indent)
+ texte+="{}'{}{} : {}({})\\n'\n".format(2*indent, indent, nomVariableInput, loiDistribution,chaineArgs)
+ #texte+=chaineArgs[0:-2]+'))\n'
+ #texte+='\n'
+
+ return texte[0:-1]
+
def creeScriptPersalys(self, debug=True) :
from functools import reduce
# chaineDesVariablesInput=reduce(lambda x,y:x+','+y,l)
def getStrVarList(l,sep=','):
return reduce(lambda x,y:str(x)+sep+str(y), l)
+
def getStrVarStrList(l,sep=','):
- return reduce(lambda x,y:"'"+str(x)+"'"+sep+"'"+str(y)+"'", l)
+ return reduce(lambda x,y:x+sep+y,
+ map(lambda x:"'"+str(x)+"'",l) )
+
def getStrInitList(l):
return getStrVarList( map(lambda x:'self.{} = {}'.format(x,x),l), '\n'+2*self.indent1 )
+
def getStrReplaceVarList(l):
return getStrVarList( map(lambda x:"'@ {} @': repr(self.{})".format(x,x), l), ',' )
+
def getStrSelfVarList(l):
return getStrVarList( map(lambda x:'self.{}'.format(x),l), ',' )
-
+
generatorDir = os.path.abspath(os.path.dirname(__file__))
nomEtude = "monEtude" #TODO
if debug : print ('nomEtude : ', nomEtude, 'generatorDir :', generatorDir)
txtCentralTendencyPersalys = centralTendencyTaylor
optionalResult = optionalResultTaylor
optionalPrintResult = optionalPrintResultTaylor
+ printResult = printResultTaylor
txtResultCT = resultTaylor
elif (self.Methode == 'MonteCarlo' ):
critereArret = ""
)
optionalResult = optionalResultMC
optionalPrintResult = optionalPrintResultMC
+ printResult = printResultMC
txtResultCT = resultMC
else :
return(0, "Impossible de gérer la méthode :",self.Methode)
txtPrintResult=printResult.format(
optionalResultList = optionalResultList,
optionalResultStrList = optionalResultStrList,
- resultSkList = getStrVarList(self.resultSkList))
+ resultSkList = getStrVarList(self.resultSkList),
+ Uncertain_inputs = self.creeTexteInputVariablesSummary(self.indent1) )
txtResult= txtResultCT.format( optionalResult=result )
txtResult+=txtPrintResult
chaineDesVariablesOutput = self.chaineDesVariablesOutputEncodee,
yacsJobParameters = txtYacsJobParameters,
centralTendencyPersalys = txtCentralTendencyPersalys,
+ scenarioType = self.ScenarioType,
resultPersalys = txtResult
)
-
-
-
# ------------------
if __name__ == '__main__':
+ from datetime import datetime
+
{nomEtude} = persalys.Study('{nomEtude}')
persalys.Study.Add({nomEtude})
{inputHeaderPersalys}
inputs = [{chaineDesVariablesInput}]
+ nInputs = len(inputs)
{outputHeaderPersalys}
outputs = [{chaineDesVariablesOutput}]
+ nOutputs = len(outputs)
yacsPhysicalModel = persalys.YACSPhysicalModel('PhysicalModel', inputs, outputs, code)
{yacsJobParameters}
################ CUT THE FILE HERE IF YOU WANT TO IMPORT IT IN THE SALOME PERSALYS MODULE ################
+ head_study = str(datetime.now()) +" {scenarioType} "+""
+
centralTendency.run()
{resultPersalys}
# inputs = [a, b]
# outputs = [d]
-printResult=""" import numpy as np
+# empiricalMean = ot.Sample(result.getMean())[nInputs:]
+# empiricalStandardDeviation = ot.Sample(result.getStandardDeviation())[nInputs:]
+# resultNp.reshape(nbindex,nbsorties)
+
+printResultMC=""" import numpy as np
+ from post_csv_rn import write_result_from_persalys
+
+ #Noms de lignes
+ #index = ['meanFirstOrder', 'meanSecondOrderOrder', 'standardDeviationFirstOrder' ]
+ indexNp = [ {optionalResultStrList} ]
+ nResult = len(indexNp)
+
+ #resultNp = np.array([meanFirstOrder, meanSecondOrderOrder, standardDeviationFirstOrder ])
+ #Lignes de résultats demandés pour toutes les fcts d'aggrégation en colonne
+ resultNp = np.array([ {optionalResultList} ])
+ resultNp = resultNp.reshape(nResult, nOutputs) #En MC à cause du ot.Sample( PointsCollection) il y a un niveau de liste en trop
+
+ #Tableau skyline localisant les variables (hors fctAgg) dans le tableau de résultat global
+ # ex pour deux variables et respectivement 7 et 3 fcts aggrégation : resultSk = [0,7,10]
+ #nOutVar = len(resSk)-1
+ resSk = [ {resultSkList} ]
+
+ print('\\n\\n')
+ print('*********************************************************************************\\n')
+ print(' UNCERTAINTY QUANTIFICATION RESULTS\\n')
+
+ print(head_study,'\\n')
+
+ print('Uncertain inputs list :','\\n')
+ print(
+{Uncertain_inputs}'\\n'
+ )
+ print('\\nElapsed Time : ', centralTendency.getElapsedTime(),'\\n') #Monte Carlo ou Taylor
+
+ print('\\nDesign of Experiment :')
+ print(result.getDesignOfExperiment().getInputSample(),'\\n') #TODO: générer un fichier csv
+
+ print('\\nCoefficient of Variation :')
+ print(ot.Sample(result.getCoefficientOfVariation())[nInputs:],'\\n') #TODO: générer un fichier csv
+ write_result_from_persalys(resultNp, indexNp, resSk, outputs)
+
+ print('\\n*********************************************************************************\\n')
+"""
+
+
+printResultTaylor=""" import numpy as np
from post_csv_rn import write_result_from_persalys
- # import pandas as pnd
- # from functools import reduce
#resultNp = np.array([meanFirstOrder, meanSecondOrderOrder, standardDeviationFirstOrder ])
#Lignes de résultats demandés pour toutes les fcts d'aggrégation en colonne
#Noms de lignes
#index = ['meanFirstOrder', 'meanSecondOrderOrder', 'standardDeviationFirstOrder' ]
+ #nResult = len(indexNp)
indexNp = [ {optionalResultStrList} ]
- #nResult = len(indexNp)
#Tableau skyline localisant les variables (hors fctAgg) dans le tableau de résultat global
- #resultSk = [0,7,10]
+ # ex pour deux variables et respectivement 7 et 3 fcts aggrégation : resultSk = [0,7,10]
+ #nOutVar = len(resSk)-1
resSk = [ {resultSkList} ]
- #nOutVar = len(resSk)-1
+ print('\\n\\n')
+ print('*********************************************************************************\\n')
+ print(' UNCERTAINTY QUANTIFICATION RESULTS\\n')
+
+ print(head_study,'\\n')
- write_result_from_persalys(resultNp, indexNp, resSk, outputs)
+ print('Uncertain inputs list :','\\n')
+ print(
+{Uncertain_inputs}'\\n'
+ )
+ print('\\nElapsed Time : ', centralTendency.getElapsedTime(),'\\n') #Monte Carlo ou Taylor
- # print('\\n')
- # for i in range(nOutVar):
- # # Récupère les couples (fctAggrégation,Nom de variable ss fct Agg)
- # # des champs de description des sorties.
- # # Les sorties concernées proviennent de la section de résultatNp
- # # qui doit correspondre à une même variable hors fct Agg
- # fctAgg_outVarName = list( map(lambda o: eval(o.getDescription()),
- # outputs[resSk[i]:resSk[i+1]]) )
- # outVarName = fctAgg_outVarName[0][1]
- # checkOutVarName = reduce( lambda n1,n2: n1 == n2,
- # [True]+list( map(lambda o: o[1] == outVarName,
- # fctAgg_outVarName) ) )
- # assert(checkOutVarName == True)
- # print(outVarName)
- # columns = list(map(lambda o1: o1[0], fctAgg_outVarName) )
- # resultDf = pnd.DataFrame(resultNp[:,resSk[i]:(resSk[i+1])],
- # index = indexNp,
- # columns = columns )
- # print(resultDf,'\\n')
- # #name_csv = str.replace(str.replace(outVarName,"@","_"),' ','-')
- # name_csv = outVarName
- # resultDf.to_csv(name_csv+'-uncertainty.csv')
+ # print('\\nDesign of Experiment :')
+ # print(result.getDesignOfExperiment().getInputSample(),'\\n') #TODO: Activer uniquement en MC + fichier csv
+ # print('\\nCoefficient of Variation :')
+ # print(result.getCoefficientOfVariation(),'\\n') #TODO: Activer uniquement en MC + fichier csv
+ write_result_from_persalys(resultNp, indexNp, resSk, outputs)
+
+ print('\\n*********************************************************************************\\n')
"""
## Tendance Centrale Taylor
}
advancedParameterMC = {
- 'Seed' : 'centralTendency.setSeed({Seed})',
+ 'Seed' : 'centralTendency.setSeed({Seed})', #TODO : A ajouter dans le catalogue
'ComputeConfidenceIntervalAt' : 'centralTendency.setLevelConfidenceInterval({ComputeConfidenceIntervalAt})'
}
"""
optionalResultMC={
- 'EmpiricalMean' : 'empiricalMean = result.getMean()', #TOCHECK
- 'Variance' : 'variance = result.getVariance()',
- 'EmpiricalStandardDeviation' : 'empiricalStandardDeviation = result.getStandardDeviation()', #TOCHECK
+ 'EmpiricalMean' : 'empiricalMean = ot.Sample(result.getMean())[nInputs:]', #En MC les inputs apparaissent en début de résultat !
+ 'Variance' : 'variance = ot.Sample(result.getVariance())[nInputs:]', # et on utilise ot.Sample pour accéder aux valeurs des Points
+ 'EmpiricalStandardDeviation' : 'empiricalStandardDeviation = ot.Sample(result.getStandardDeviation())[nInputs:]', #Idem.
'EmpiricalQuantile' : """
designOfExperiment=result.getDesignOfExperiment()
outputSample=designOfExperiment.getOutputSample()
#En local le nombre de procs est inutile
+#TODO: S'il on peut récupérer les fichiers .csv des tirages,
+# il faut ajouter une ligne out_files
yacsJobParameters="""
yacsPhysicalModel.jobParameters().salome_parameters.resource_required.name = '{resourceName}'
yacsPhysicalModel.jobParameters().salome_parameters.job_name = '{nomEtude}'
yacsPhysicalModel.setJobModel(multiJobModel)
"""
-yacsJobParametersRef="""
-yacsPhysicalModel.jobParameters().salome_parameters.job_name = '{nomEtude}_idefix_job'
-yacsPhysicalModel.jobParameters().salome_parameters.work_directory = '/scratch/C65845/workingdir/persalys_light'
-yacsPhysicalModel.jobParameters().salome_parameters.result_directory = '/tmp/local_result'
-yacsPhysicalModel.jobParameters().salome_parameters.resource_required.name = 'gaia'
-yacsPhysicalModel.jobParameters().salome_parameters.resource_required.nb_proc = 1
-yacsPhysicalModel.jobParameters().salome_parameters.wckey = 'P11N0:SALOME'
-yacsPhysicalModel.jobParameters().salome_parameters.in_files = [] # Chemins des fichiers locaux à copier dans work_directory
-yacsPhysicalModel.jobParameters().nb_branches = 3 # nombre de jobs parallèles
-
-# Ces 4 lignes permettent de modifier le mode d'évaluation par défaut qui est
-# d'avoir toutes les évaluations dans un seul job.
-import pydefx
-import os
-myModel = pydefx.MultiJobStudy() # mode un job par évaluation
-
-PhysicalModel.setJobModel(myModel)
-"""
+# yacsJobParametersRef="""
+# yacsPhysicalModel.jobParameters().salome_parameters.job_name = '{nomEtude}_idefix_job'
+# yacsPhysicalModel.jobParameters().salome_parameters.work_directory = '/scratch/C65845/workingdir/persalys_light'
+# yacsPhysicalModel.jobParameters().salome_parameters.result_directory = '/tmp/local_result'
+# yacsPhysicalModel.jobParameters().salome_parameters.resource_required.name = 'gaia'
+# yacsPhysicalModel.jobParameters().salome_parameters.resource_required.nb_proc = 1
+# yacsPhysicalModel.jobParameters().salome_parameters.wckey = 'P11N0:SALOME'
+# yacsPhysicalModel.jobParameters().salome_parameters.in_files = [] # Chemins des fichiers locaux à copier dans work_directory
+# yacsPhysicalModel.jobParameters().nb_branches = 3 # nombre de jobs parallèles
+
+# # Ces 4 lignes permettent de modifier le mode d'évaluation par défaut qui est
+# # d'avoir toutes les évaluations dans un seul job.
+# import pydefx
+# import os
+# myModel = pydefx.MultiJobStudy() # mode un job par évaluation
+
+# PhysicalModel.setJobModel(myModel)
+# """
if __name__ == "__main__":
