主动学习

主动学习自动选择"下一个最有价值的采样点"，用最少的 CFD 仿真达到最佳代理模型精度。

propose_next() — 单步建议

from prandtl import propose_next

# surrogate 必须是已训练的 GP 模型（MLP 不支持不确定性估计）
X_next = propose_next(
    surrogate,
    bounds=[(-5, 15), (0.01, 0.1)],
    strategy="不确定性策略"
)

每次调用返回一个建议采样点 (n_params,)。需要自己评估真实函数、合并数据、重新训练。

采样策略

策略	说明	需要 y_best
"uncertainty"	最大预测方差	否
"ei"	Expected Improvement（最小化问题）	是
"ucb"	Upper Confidence Bound	否
"pi"	Probability of Improvement	是

仅限 GP

以上策略依赖预测方差，只能用于 method="gp" 的代理模型。

active_learn() — 全自动循环

from prandtl import active_learn, Surrogate

def my_cfd(alpha, camber):
    """真实函数 — 实际应用中替换为 CFD 求解器调用"""
    import numpy as np
    cl = np.sin(np.radians(alpha)) * (1 + camber * 10)
    return {"CL": cl}

surrogate = Surrogate(params=["alpha", "camber"], outputs=["CL"], method="gp")

X, Y, history = active_learn(
    my_cfd,
    bounds=[(-5, 15), (0.01, 0.1)],
    surrogate=surrogate,
    n_initial=10,      # 初始随机样本数
    n_iter=10,          # 主动学习轮数
    strategy="ei",
    seed=42,
    verbose=True
)

参数说明：

参数	说明
func	真实函数，接受关键字参数（如 alpha=5, camber=0.04），返回 {"output": value} 字典
bounds	参数范围列表
surrogate	未训练的 GP Surrogate 实例（作为配置模板）
n_initial	初始随机采样数（默认 10）
n_iter	主动学习迭代轮数（默认 10）
strategy	采集策略："uncertainty" / "ei" / "ucb" / "pi"

返回值： - X — 全部采样点 (n_total, n_params) - Y — 全部函数值 (n_total, n_outputs) - history — 每轮的 best Y 值追踪

手动循环

import prandtl as pr
import numpy as np

X, Y = pr.sample(pr.analytical.cl_flat_plate,
                 bounds=[(-5, 15), (0.01, 0.1)], n=10, method="lhs")
surr = pr.Surrogate(params=["alpha", "camber"], outputs=["CL"], method="gp").fit(X, Y)

for i in range(5):
    x_next = pr.propose_next(surr, bounds=[(-5, 15), (0.01, 0.1)], strategy="uncertainty")
    _, y_next = pr.sample(pr.analytical.cl_flat_plate,
                          bounds=[(-5, 15), (0.01, 0.1)], n=1, method="lhs")
    X = np.vstack([X, x_next.reshape(1, -1)])
    Y = np.vstack([Y, y_next])
    surr.fit(X, Y)

与实际仿真集成

y_next 的位置替换为真实 CFD 求解器调用。Prandtl 不执行仿真，只告诉你应该在哪里跑仿真。