mirror of
https://github.com/xibyte/jsketcher
synced 2025-12-10 02:13:58 +01:00
log
This commit is contained in:
Val Erastov
parent
573fc98684
commit
2014de0048
2 changed files with 43 additions and 33 deletions
|
|
@ -259,7 +259,7 @@ optim.inv = function inv(x) {
|
|||
|
||||
optim.dog_leg = function (subsys, rough) {
|
||||
rough = true
|
||||
var tolg = rough ? 1e-4 : 1e-4;
|
||||
var tolg = rough ? 1e-5 : 1e-5;
|
||||
|
||||
var tolx = 1e-80, tolf = 1e-10;
|
||||
|
||||
|
|
@ -282,8 +282,6 @@ optim.dog_leg = function (subsys, rough) {
|
|||
|
||||
var Jx = mx(csize, xsize);
|
||||
var Jx_new = mx(csize, xsize);
|
||||
var gNg = vec(xsize);
|
||||
var h_sd = vec(xsize);
|
||||
var h_gn = vec(xsize);
|
||||
var h_dl = vec(xsize);
|
||||
|
||||
|
|
@ -345,10 +343,9 @@ optim.dog_leg = function (subsys, rough) {
|
|||
return n.solve(A, b, true);
|
||||
}
|
||||
|
||||
gNg = n.dot(n.transpose(Jx), n.mul(fx, -1));
|
||||
var g = n.dot(n.transpose(Jx), fx);
|
||||
// get the infinity norm fx_inf and g_inf
|
||||
var g_inf = n.norminf(gNg);
|
||||
var g_inf = n.norminf(g);
|
||||
var fx_inf = n.norminf(fx);
|
||||
|
||||
var maxIterNumber = xsize * 100;
|
||||
|
|
@ -358,6 +355,7 @@ optim.dog_leg = function (subsys, rough) {
|
|||
var alpha = 0.;
|
||||
var nu = 2.;
|
||||
var iter = 0, stop = 0, reduce = 0;
|
||||
var log = [];
|
||||
while (stop === 0) {
|
||||
|
||||
// check if finished
|
||||
|
|
@ -373,12 +371,7 @@ optim.dog_leg = function (subsys, rough) {
|
|||
stop = 6;
|
||||
}
|
||||
else {
|
||||
// get the steepest descent direction
|
||||
var Jt = n.transpose(Jx);
|
||||
var B = n.dot(Jt, Jx);
|
||||
var gBg = n.dot(g, n.dot(B, g));
|
||||
alpha = n.norm2Squared(g) / gBg;
|
||||
h_sd = n.mul(g, -alpha);
|
||||
|
||||
// get the gauss-newton step
|
||||
//h_gn = n.solve(Jx, n.mul(fx, -1));
|
||||
|
|
@ -388,7 +381,7 @@ optim.dog_leg = function (subsys, rough) {
|
|||
// h_gn = lusolve(Jx, n.mul(fx, -1));
|
||||
|
||||
//Conjugate gradient method
|
||||
//h_gn = optim.cg(Jx, h_gn, n.mul(fx, -1), 1e-8, maxIterNumber);
|
||||
h_gn = optim.cg(Jx, h_gn, n.mul(fx, -1), 1e-8, maxIterNumber);
|
||||
|
||||
//solve linear problem using svd formula to get the gauss-newton step
|
||||
//h_gn = lls(Jx, n.mul(fx, -1));
|
||||
|
|
@ -399,36 +392,43 @@ optim.dog_leg = function (subsys, rough) {
|
|||
|
||||
var hitBoundary = false;
|
||||
|
||||
var stepKind;
|
||||
// compute the dogleg step
|
||||
var gnorm = n.norm2(gNg);
|
||||
var gnorm = n.norm2(g);
|
||||
if (n.norm2(h_gn) < delta) {
|
||||
h_dl = n.clone(h_gn);
|
||||
if (n.norm2(h_dl) <= tolx * (tolx + n.norm2(x))) {
|
||||
stop = 5;
|
||||
break;
|
||||
}
|
||||
}
|
||||
else if (alpha * gnorm >= delta) {
|
||||
var normRadius = delta / gnorm;
|
||||
if (alpha >= normRadius) alpha = normRadius;
|
||||
h_dl = n.mul(g, -alpha);
|
||||
hitBoundary = true;
|
||||
stepKind = 1;
|
||||
}
|
||||
else {
|
||||
//compute beta
|
||||
var d = n.sub(h_gn, h_sd);
|
||||
var B = n.dot(Jt, Jx);
|
||||
var gBg = n.dot(g, n.dot(B, g));
|
||||
alpha = n.norm2Squared(g) / gBg;
|
||||
if (alpha * gnorm >= delta) {
|
||||
h_dl = n.mul(g, - delta / gnorm);
|
||||
hitBoundary = true;
|
||||
stepKind = 2;
|
||||
} else {
|
||||
var h_sd = n.mul(g, - alpha);
|
||||
|
||||
var a = n.dot(d, d);
|
||||
var b = 2 * n.dot(h_sd, d);
|
||||
var c = n.dot(h_sd, h_sd) - delta * delta
|
||||
var d = n.sub(h_gn, h_sd);
|
||||
|
||||
var sqrt_discriminant = Math.sqrt(b * b - 4 * a * c)
|
||||
var a = n.dot(d, d);
|
||||
var b = 2 * n.dot(h_sd, d);
|
||||
var c = n.dot(h_sd, h_sd) - delta * delta
|
||||
|
||||
var beta = (-b + sqrt_discriminant) / (2 * a)
|
||||
var sqrt_discriminant = Math.sqrt(b * b - 4 * a * c)
|
||||
|
||||
// and update h_dl and dL with beta
|
||||
h_dl = n.add(h_sd, n.mul(beta, d));
|
||||
hitBoundary = true;
|
||||
var beta = (-b + sqrt_discriminant) / (2 * a)
|
||||
|
||||
// and update h_dl and dL with beta
|
||||
h_dl = n.add(h_sd, n.mul(beta, d));
|
||||
hitBoundary = true;
|
||||
stepKind = 3;
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
|
|
@ -469,7 +469,7 @@ optim.dog_leg = function (subsys, rough) {
|
|||
}
|
||||
acceptCandidate = rho > 0; // could be 0 .. 0.25
|
||||
}
|
||||
|
||||
log.push([stepKind,err, delta,rho]);
|
||||
|
||||
if (acceptCandidate) {
|
||||
x = n.clone(x_new);
|
||||
|
|
@ -477,18 +477,18 @@ optim.dog_leg = function (subsys, rough) {
|
|||
fx = n.clone(fx_new);
|
||||
err = err_new;
|
||||
|
||||
gNg = n.dot(n.transpose(Jx), n.mul(fx, -1));
|
||||
g = n.dot(n.transpose(Jx), fx);
|
||||
|
||||
// get infinity norms
|
||||
g_inf = n.norminf(gNg);
|
||||
g_inf = n.norminf(g);
|
||||
fx_inf = n.norminf(fx);
|
||||
}
|
||||
|
||||
// count this iteration and start again
|
||||
iter++;
|
||||
}
|
||||
|
||||
log.push(stop);
|
||||
window.___log(log);
|
||||
return {
|
||||
evalCount: iter,
|
||||
error: err,
|
||||
|
|
|
|||
|
|
@ -258,6 +258,12 @@
|
|||
app.viewer.parametricManager.listeners.push(function() {constrList.refresh()});
|
||||
constrList.refresh();
|
||||
}
|
||||
window.___log = function(log) {
|
||||
$('#log').append( " *****************<br><br><br><br>");
|
||||
for (var i = 0; i < log.length; i++) {
|
||||
$('#log').append( log[i] + " <br>");
|
||||
}
|
||||
};
|
||||
window.onload = function() {
|
||||
setTimeout(start, 0);
|
||||
};
|
||||
|
|
@ -309,7 +315,7 @@
|
|||
<button class="btn rbtn act-pointOnLine" >PL</button>
|
||||
</div>
|
||||
</div>
|
||||
<div id="status" class="panel b-top" style="width: 100%; height=22px;">
|
||||
<div id="status" class="panel b-top" style="width: 100%; height:22px;">
|
||||
<input id='showActions' class="btn sbtn" style="" type="submit" value="⌘">
|
||||
</div>
|
||||
|
||||
|
|
@ -320,5 +326,9 @@
|
|||
</div>
|
||||
</div>
|
||||
|
||||
<div id="log" style="position:absolute; width: 500px; height: 300px; top:500px; pxleft:0; overflow: scroll;background-color: salmon;">
|
||||
|
||||
</div>
|
||||
|
||||
</body>
|
||||
</html>
|
||||
Loading…
Reference in a new issue