Line data    Source code

       1             : //* This file is part of the MOOSE framework
       2             : //* https://mooseframework.inl.gov
       3             : //*
       4             : //* All rights reserved, see COPYRIGHT for full restrictions
       5             : //* https://github.com/idaholab/moose/blob/master/COPYRIGHT
       6             : //*
       7             : //* Licensed under LGPL 2.1, please see LICENSE for details
       8             : //* https://www.gnu.org/licenses/lgpl-2.1.html
       9             : 
      10             : #include "NearestPointTrainer.h"
      11             : #include "Sampler.h"
      12             : 
      13             : registerMooseObject("StochasticToolsApp", NearestPointTrainer);
      14             : 
      15             : InputParameters
      16         288 : NearestPointTrainer::validParams()
      17             : {
      18         288 :   InputParameters params = SurrogateTrainer::validParams();
      19         288 :   params.addClassDescription("Loops over and saves sample values for [NearestPointSurrogate.md].");
      20             : 
      21         288 :   return params;
      22           0 : }
      23             : 
      24         144 : NearestPointTrainer::NearestPointTrainer(const InputParameters & parameters)
      25             :   : SurrogateTrainer(parameters),
      26         144 :     _sample_points(declareModelData<std::vector<std::vector<Real>>>("_sample_points")),
      27         288 :     _sample_results(declareModelData<std::vector<std::vector<Real>>>("_sample_results")),
      28         144 :     _predictor_row(getPredictorData())
      29             : {
      30         144 :   _sample_points.resize(_n_dims);
      31         144 :   _sample_results.resize(1);
      32         144 : }
      33             : 
      34             : void
      35         240 : NearestPointTrainer::preTrain()
      36             : {
      37        1056 :   for (auto & it : _sample_points)
      38             :   {
      39             :     it.clear();
      40         816 :     it.reserve(getLocalSampleSize());
      41             :   }
      42             : 
      43         480 :   for (auto & it : _sample_results)
      44             :   {
      45             :     it.clear();
      46         240 :     it.reserve(getLocalSampleSize());
      47             :   }
      48         240 : }
      49             : 
      50             : void
      51       22380 : NearestPointTrainer::train()
      52             : {
      53       22380 :   if (_rvecval && (_sample_results.size() != _rvecval->size()))
      54          16 :     _sample_results.resize(_rvecval->size());
      55             : 
      56             :   // Get predictors from reporter values
      57       91240 :   for (auto d : make_range(_n_dims))
      58       68860 :     _sample_points[d].push_back(_predictor_row[d]);
      59             : 
      60             :   // Get responses
      61       22380 :   if (_rval)
      62       22280 :     _sample_results[0].push_back(*_rval);
      63         100 :   else if (_rvecval)
      64        1100 :     for (auto r : make_range(_rvecval->size()))
      65        1000 :       _sample_results[r].push_back((*_rvecval)[r]);
      66       22380 : }
      67             : 
      68             : void
      69         240 : NearestPointTrainer::postTrain()
      70             : {
      71        1056 :   for (auto & it : _sample_points)
      72         816 :     _communicator.allgather(it);
      73             : 
      74         624 :   for (auto & it : _sample_results)
      75         384 :     _communicator.allgather(it);
      76         240 : }