Échantillonnage super carré latin avec OpenMDAO

Qu'est-ce que l'échantillonnage super carré latin (LHS)?

Il s'agit de l'une des méthodes d'échantillonnage stratifié à variables multiples. Lorsque n expériences sont spécifiées, chaque variable est divisée en n sections, et les valeurs sont extraites au hasard des sections et combinées au hasard. .. Je ne sais pas si c'est une phrase, donc il y avait un module appelé pyDOE, donc je vais l'essayer.

Installation


pip install pyDOE

Quel est le modèle expérimental lors de l'extraction du centre de la section avec 5 expériences et 2 variables?

>from pyDOE import lhs
>lhs(2,5,"c")
array([[ 0.3,  0.7],
       [ 0.1,  0.1],
       [ 0.5,  0.9],
       [ 0.9,  0.5],
       [ 0.7,  0.3]])

Si vous exécutez à nouveau ce qui précède, la combinaison sera différente. De plus, si l'argument «« c »» n'est pas spécifié, il sera extrait de manière aléatoire de l'intervalle. Ça ressemble à ça.


Échantillonnage super-carré latin de surface parabolique à l'aide d'OpenMDAO


\begin{align}
& f(x,y) = (x-3)^2 + xy + (y+4)^2 - 3 \\
    {\rm subject \: to} \: \: \:&  -50.0\leq x \leq 50.0 \\
                                &  -50.0\leq y \leq 50.0
\end{align}

Préparation des composants

Préparez le fichier paraboloid.py suivant

paraboloid.py


from openmdao.api import Component
class Paraboloid(Component):
    """ Evaluates the equation f(x,y) = (x-3)^2 + xy + (y+4)^2 - 3 """
    def __init__(self):
        super(Paraboloid, self).__init__()
        self.add_param('x', val=0.0)
        self.add_param('y', val=0.0)
        self.add_output('f_xy', shape=1)
    def solve_nonlinear(self, params, unknowns, resids):
        """f(x,y) = (x-3)^2 + xy + (y+4)^2 - 3 """
        x = params['x']; y = params['y']
        unknowns['f_xy'] = (x-3.0)**2 + x*y + (y+4.0)**2 - 3.0

Paramètres de problème

Préparez doe_paraboloid.py ci-dessous. La différence avec Résoudre le problème de minimisation de la surface parabolique avec OpenMDAO est décrite plus loin.

doe_paraboloid.py


#!/bin/pyhton

from openmdao.api import IndepVarComp, Group, Problem,  SqliteRecorder
from paraboloid import Paraboloid
from openmdao.drivers.latinhypercube_driver import OptimizedLatinHypercubeDriver
from openmdao.core.mpi_wrap import MPI

if MPI: # pragma: no cover
    # if you called this script with 'mpirun', then use the petsc data passing
    from openmdao.core.petsc_impl import PetscImpl as impl
else:
    # if you didn't use `mpirun`, then use the numpy data passing
    from openmdao.api import BasicImpl as impl

top = Problem(impl=impl)
root = top.root = Group()

root.add('p1', IndepVarComp('x', 50.0), promotes=['x'])
root.add('p2', IndepVarComp('y', 50.0), promotes=['y'])
root.add('comp', Paraboloid(), promotes=['x', 'y', 'f_xy'])

top.driver = OptimizedLatinHypercubeDriver(num_samples=100, seed=0, population=20, \
            generations=4, norm_method=2, num_par_doe=5)
top.driver.add_desvar('x', lower=-50.0, upper=50.0)
top.driver.add_desvar('y', lower=-50.0, upper=50.0)

doe_paraboloid.py a continué


top.driver.add_objective('f_xy')

recorder = SqliteRecorder('doe_paraboloid')
recorder.options['record_params'] = True
recorder.options['record_unknowns'] = True
recorder.options['record_resids'] = False
top.driver.add_recorder(recorder)

top.setup()
top.run()

top.cleanup()

Lors de l'ajout de Paraboloid () à root, p1.x et comp.x etc. sont automatiquement connectés en utilisant promeut comme argument.

Cette fois, j'ai utilisé le pilote optimisé Latin Hypercube, qui est un pilote qui fait du bien à utiliser GA pour organiser les points expérimentaux de LHS. OptimizedLatinHypercubeDriver a 100 échantillons, 0 graines aléatoires, 20 individus GA, 4 générations, une norme pour normaliser la distance entre chaque point DOE en GA (utilisée dans np.linalg.norm), parallèle à num_par_doe Le nombre de conversions est spécifié.

Procédez comme suit dans le terminal

mpirun -np 5 python doe_paraboloid.py

Chargement des résultats

IPython


import numpy as np
from matplotlib import pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import sqlitedict

db =sqlitedict.SqliteDict("doe_paraboloid","iterations")
res = np.array([[0.,0.,0.]] * len(db.items()))
for i, v in enumerate(db.items()):
    res[i,0] = v[1]["Unknowns"]["x"]
    res[i,1] = v[1]["Unknowns"]["y"]
    res[i,2] = v[1]["Unknowns"]["f_xy"]

x = np.arange(-50, 50, 4)
y = np.arange(-50, 50, 4)
X, Y = np.meshgrid(x, y)
Z = (X-3.0)**2 + X*Y + (Y+4.0)**2 - 3.0

fig = plt.figure()
ax = Axes3D(fig)
ax.plot_wireframe(X,Y,Z)
ax.scatter3D(res[:,0],res[:,1],res[:,2],c="r", marker="o")
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_zlabel('f_xy')
plt.show()

doe_paraboloid.png

Recommended Posts

Échantillonnage super carré latin avec OpenMDAO
Échantillonnage bootstrap avec Pandas
Courbe de réponse de krigeage avec OpenMDAO