具有批量交付约束的分布式流水车间调度方法及系统

技术领域

本公开属于流水车间调度技术领域，尤其涉及具有批量交付约束的分布式流水车间调度方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

随着制造业的快速发展，许多企业开始考虑多个工厂同时工作，形成分布式调度(DS)。在DS中，分布式流车间调度问题(DFSP)是研究最广泛的问题。为了解决DFSP问题，提出了优化目标、约束和算法。Hatami等人提出了基于顺序的设置时间约束来解决分布式问题。Ji等人研究了加工和装配时间随机时的无等待约束。Rifai和Nguyen用makepan、总成本和平均延迟三个目标来解决分配问题。Ying等人提出了优化生产率、能效和降噪的方法，以解决无空闲约束的DFSP问题。邓和王提出了最小化分布流车间问题的制造时间和总延迟标准。Gonzalez-Neira等人研究了一个包括加工和装配在内的随机时间。Bargaoui等人提出了一种新的化学反应优化方法来解决分布式问题。Zhang和Xing用不同的设置时间扩展了分布式装配流车间问题。Sheikh等人研究了DAFSP的释放时间和三个目标。Zhang等人研究了一种求解分布式阻塞流店调度的改进算法。Li等人优化了目标的制造时间、最大工作量、总工作量和提前/延迟标准。Shao等人解决了与序列相关的设置时间的无等待约束，即最小化制造时间和总重量延迟。Seidgar等人在两级装配流车间问题中考虑了随机机器故障约束。

为了提高工厂的加工效率，制造商不仅考虑增加工厂的数量，而且还采用批量交付给分布式用户的方式。批量交付用于各个领域，即网络配置多工厂调度。沈等人，针对单项目无头批次大小问题，首先提出了在不同机器上形成不一致批次的流程车间配料和调度问题。Wang等人提出了基于订单选择的分配问题。尹等人集成生产和批量交付调度，处理和交付作业一起批量。齐等人研究了批量交付下的两代理调度。Basir等人在两级装配流程车间上提出了一种批量交付系统，并找到了合适的批次。Noroozi等人考虑了第三方物流配送，要结合生产调度和批量交货。江等人研究了制造商如何拒绝一些订单并处理其他订单，然后分批将产品交付给客户。Kong等人提出了一种准时化策略，以解决预制施工中的批量交付问题。Kazemi等人考虑了与装配流程车间调度的批处理交付。Agnetis等人建议在生产和工厂之间进行批量交付，主要业务包括加工和运输。Wang等人研究了供应链中批量交付给多个客户的FSP，其中包括加工和批量交付两个阶段。

针对流车间调度问题，提出了几种优化算法。Basir等人采用遗传算法(GA)求解装配流车间。一种人工蜂群(ABC)算法来自蜂群，是一种经典的算法。大量文献对该算法进行了改进。例如，彭等人提出了一种改进的ABC算法，该算法具有电荷左移、新编码和解码策略。Yurtkuran等人提出了一种具有求解接受规则和多搜索的离散ABC算法。Li等人期待着一种有效的多目标人工蜂群算法。廖等人采用粒子群优化和瓶颈启发式相结合的方法对混合流车间进行了研究。Gao等人用新的禁忌策略研究了禁忌搜索算法，并将其与改进的局部搜索方法相结合。Chen等人调查了GA，以优化调度问题与批量流。Ark研究了一种基于种群的禁忌搜索混合算法。Mirjalili和Lewis提出了一种将螺旋气泡网应用于数学建模的鲸鱼优化算法(WOA)。随着WOA的提出，该算法开始广泛应用于不同的领域。例如，配电网，分布式发电，电力系统。Sun等人在大规模全局优化问题中提出了改进的WOA。Nasiri和Khiyabani使用WOA处理聚类问题。然而，许多改进的WOA被用来解决连续问题。Fu等人研究了WOA和局部搜索算法来优化柔性流店问题。Mafarja和Mirjalili调查了两种将WOA和SA结合起来的双杂交WOA-SA方法，第一种方法直接嵌入到SA中，另一种方法是有序的。Abdel-Basset等人提出了将WOA与局部搜索策略相结合的混合鲸鱼算法。江等人研究了一种改进的鲸鱼优化算法(IWOA)，该算法改进了调度规则、非线性收敛因子和突变操作。江等人提出了一种利用两个子问题进行编码和解码的离散WOA。Luan等人提出了一种改进的鲸鱼算法，包括转换方法、混沌反向学习策略、NFC和自适应权重。

通过上述文献，可以看出：研究批量交付的参考文献很少，把批量交付约束和分布式流水车间结合到一起的文献更是少之又少。把批量交付约束和分布式流水车间结合到一起不仅大大节省了工件加工、产品配送的时间、能耗，可以提高了产品从加工到配送的效率。在算法方面，虽然提出了很多解决分布式流水车间甚至带批量交付约束的分布式流水车间调度，例如粒子群算法等，这些算法很容易陷入局部最优，而且参数较多，比较复杂。

发明内容

为克服上述现有技术的不足，本公开提供了具有批量交付约束的分布式流水车间调度方法，将DFSP和批量交付到客户过程相结合的DFSP-BD进行优化。

为实现上述目的，本公开的一个或多个实施例提供了如下技术方案：

第一方面，公开了具有批量交付约束的分布式流水车间调度方法，包括：

以最小化制造时间和总能耗为目标，其中制造时间包括加工阶段、批量交货阶段的时间，总能耗为卡车运输阶段的能源消耗；

对目标进行求解，获得生成工厂分配向量、生成作业优先级向量及生成批分配向量，按照上述向量进行分布式流水车间调度。

进一步的技术方案，对目标进行求解的过程中：依次进行插入产品、插入作业、在同一批中交换不同的产品、在不同的批次中交换不同的产品、在同一工厂交换不同的工作及在不同的工厂中交换不同的作业。

进一步的技术方案，关于插入产品，首先选择完成时间最长的批次作为关键批次，遍历关键批次的所有位置，取出每个产品，并将其存储在中间数组中，然后，将中间数组中的产品插入所有其他批次的所有位置，从而选择要插入的完成时间最少的批次的位置，最后，比较将产品插入其他批次后的最大完成时间以及插入产品前的最大完成时间是否减少，如果减少，则插入；如果没有，则恢复。

进一步的技术方案，插入作业：首先，选择完成时间最长的工厂作为关键工厂，遍历关键工厂的所有位置，从关键工厂取出每个作业，并将其存储在中间数组中，然后，将中间数组中的工厂插入到所有其他工厂的所有位置，从而选择要插入的完成时间最少的工厂的位置，最后，比较将作业插入其他工厂后的最大完成时间，以及插入作业前的最大完成时间是否减少，如果减少，则插入；如果没有，则恢复。

进一步的技术方案，在同一批中交换不同的产品：首先选择完成时间最长的批次作为关键批次。然后，从关键批次中随机选择两个位置进行产品互换，计算完成时间，直到找到最小完成时间。

进一步的技术方案，在不同的批次中交换不同的产品：首先，选择最大完成时间的两个批次；然后遍历所有的产品位置并计算完成时间；最后，选择最小完成时间的位置来交换产品。

进一步的技术方案，在同一工厂交换不同的工作：首先，选择最长完成时间的工厂作为关键工厂。然后，从重点工厂随机抽取两个岗位互换作业，计算完成时间，直至找到最小完成时间。

进一步的技术方案，在不同的工厂中交换不同的作业：首先，选择两个完成时间最大的作业；然后遍历所有作业位置并计算完成时间；最后，选择完成时间最小的位置交换产品。

进一步的技术方案，生成工厂分配向量，具体为：平均为相应的工作分配一个工厂，统计每个作业的总处理时间，找到min工作量工厂，将作业分配给min工作量工厂。

进一步的技术方案，生成作业优先级向量，具体为：作业处理顺序由各作业总处理时间的升序确定。

进一步的技术方案，生成批分配向量：该批次的发货顺序根据该批次作业最后一个加工阶段的加工时间确定。

进一步的技术方案，处理作业在加工阶段：将一组作业随机分配给工厂，在分布式工厂中，在m个相同的机器上处理作业，作业顺序相同，工厂中第一台机器的处理时间为0，一台机器只能同时处理一项工作，每个作业必须在上一台机器上处理，然后在下一台机器上处理。

进一步的技术方案，批量交付阶段：将产品分批交付给不同的客户，根据每批完成时间的先后顺序，先安排最早一批，然后根据每项工作的加工和运输时间确定批次的分配和交付顺序，最后根据不同用户的需要，用卡车交付批次。

进一步的技术方案，目标函数为：

minW1*C

进一步的技术方案，目标函数的约束包括：规定作业是在分布式工厂的所有机器上处理、确保处理后的作业需要组装、定义在工厂的第一台机器上处理作业的时间等于作业完成时间、指定同一台机器上连续作业之间完成时间的关系、授权装配机上完成时间和加工时间的关系、分别计算加工作业、批量交付和产品机器启动的能耗、总能耗的限定及最大完成时间的限定。

进一步的技术方案，目标函数的优化求解利用鲸鱼优化算法。

进一步的技术方案，使用二维向量和一维向量来表示包含工厂分配向量、作业优先级向量和产品分配向量的解；

第一个向量将作业分配给分布式工厂，第二个向量安排分布式工厂作业的处理顺序，最后一个向量将几个不同的作业组装成一个产品。

第二方面，公开了具有批量交付约束的分布式流水车间调度系统，包括：

目标设定模块，被配置为：以最小化制造时间和总能耗为目标，其中制造时间包括加工阶段、批量交货阶段的时间，总能耗为卡车运输阶段的能源消耗；

求解模块，被配置为：对目标进行求解，获得生成工厂分配向量、生成作业优先级向量及生成批分配向量，按照上述向量进行分布式流水车间调度。

以上一个或多个技术方案存在以下有益效果：

本公开技术方案考虑使用批量交付将产品分配给客户，此外，还考虑了两种目标，即最小化制造时间和总能耗，其中包括加工阶段、批量交货阶段和卡车运输阶段的能源消耗。通过设置目标权重，同时缩小完工时间和总能耗，提高工件加工及批量分配的效率。

本公开技术方案提出了改进鲸鱼群算法，鲸鱼群算法本身参数较少，通过局部搜索改进之后，不容易陷入局部最优，而且更加灵活，实现率更高。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例DFSP-CTBD的说明示意图；

图2为本公开实施例DFSP-BD的甘特图；

图3为本公开实施例DFSP-BD中的解决方案表示图；

图4为本公开实施例两个参数的因子水平趋势图；

图5为本公开实施例比较IWOA-LS和IWOA的均值和95％LSD间隔示意图；

图6为本公开实施例比较算法的均值和95％LSD间隔示意图；

图7为本公开算例20-8-5-2的最佳解决方案甘特图；

图8(a)为本公开实施例20-5-8的收敛曲线图；

图8(b)为本公开实施例100-2-8的收敛曲线图；

图8(c)为本公开实施例100-5-5的收敛曲线图；

图8(d)为本公开实施例200-5-2的收敛曲线图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

实施例一

本实施例公开了具有批量交付约束的分布式流水车间调度方法，关于分布式置换流水车间和批量交付问题(DFSP-BD)，将DFSP和批量交付到客户过程相结合的DFSP-BD是一个优化问题。DFSP-BD用于解决DFSP中生产和分配的集成，它有两个步骤：处理作业在加工阶段，批量交货产品。具体步骤如图1所示。

在处理阶段，首先，将一组作业J1、J2、J3...、Jn随机分配给F工厂F1、F2、F3...、Ff，分配后不允许更改。然后，在分布式工厂中，在m个相同的机器上处理作业，M1，M2，M3，...，MM的顺序相同，工厂中第一台机器的处理时间为0。最后，一台机器只能同时处理一项工作。每个作业必须在上一台机器上处理，然后在下一台机器上处理。

在批量交付阶段，将产品分批交付给不同的客户。根据每批完成时间的先后顺序，先安排最早一批。然后根据每项工作的加工和运输时间确定批次的分配和交付顺序，最后根据不同用户的需要，用卡车交付批次。

问题公式

符号和决策变量见表1。目标和约束列举如下。

表1符号和决策变量

目标:

minW1*C

EP

EB

ES

目标函数(1)是将makespan和总能耗的加权和最小化。约束(2)规定作业是在分布式工厂的所有机器上处理的。约束(3)确保处理后的作业需要组装。约束(4)定义在工厂的第一台机器上处理作业的时间等于作业完成时间。约束(5)指定同一台机器上连续作业之间完成时间的关系。约束(6)授权装配机上完成时间和加工时间的关系。约束(7-9)分别计算加工作业、批量交付和产品机器启动的能耗。约束(10)表示计算总能耗的方法。约束(11)是计算最大完成时间。

图2给出了DFSP-BD的一个例子，其中有七个工作，两个加工厂和批量交付阶段。在加工过程中，每个作业在两台机器上处理，具有相同阴影的作业表示在同一工厂处理。并且在批量交付阶段，有两个客户和三个批次，相同颜色的作业代表一批。每个工厂的第一个工作的设置时间为0。每项工作在同一工厂的不同机器上按相同的顺序进行处理。

表2示例的处理时间

鲸鱼优化算法(WOA)：

首先初始化解决方案：(1)生成工厂分配向量：平均为相应的工作分配一个工厂。统计每个作业的总处理时间，找到min工作量工厂，将作业分配给min工作量工厂。(2)生成作业优先级向量：作业处理顺序由各作业总处理时间的升序确定。(3)生成批分配向量：该批次的发货顺序根据该批次作业最后一个加工阶段的加工时间确定。最后进行局部搜索操作，1)插入产品：首先选择完成时间最长的批次作为关键批次。遍历关键批次的所有位置，取出每个产品，并将其存储在中间数组中。然后，将中间数组中的产品插入所有其他批次的所有位置，从而选择要插入的完成时间最少的批次的位置。最后，比较将产品插入其他批次后的最大完成时间以及插入产品前的最大完成时间是否减少，如果减少，则插入；如果没有，则恢复。2)插入作业：首先，选择完成时间最长的工厂作为关键工厂。遍历关键工厂的所有位置，从关键工厂取出每个作业，并将其存储在中间数组中。然后，将中间数组中的工厂插入到所有其他工厂的所有位置，从而选择要插入的完成时间最少的工厂的位置。最后，比较将作业插入其他工厂后的最大完成时间，以及插入作业前的最大完成时间是否减少，如果减少，则插入；如果没有，则恢复。3)在同一批中交换不同的产品：首先选择完成时间最长的批次作为关键批次。然后，从关键批次中随机选择两个位置进行产品互换，计算完成时间，直到找到最小完成时间。4)在不同的批次中交换不同的产品：首先，选择最大完成时间的两个批次；然后遍历所有的产品位置并计算完成时间；最后，选择最小完成时间的位置来交换产品。

5)在同一工厂交换不同的工作：首先，选择最长完成时间的工厂作为关键工厂。然后，从重点工厂随机抽取两个岗位互换作业，计算完成时间，直至找到最小完成时间。6)在不同的工厂中交换不同的作业：首先，选择两个完成时间最大的作业；然后遍历所有作业位置并计算完成时间；最后，选择完成时间最小的位置交换产品。

WOA是由Mirjalili和Lewis(2016)提出的，灵感来自鲸鱼来捕捉猎物)。鲸鱼通过鼓泡和包围来包围和捕获它们的猎物。因此，该算法包含开发和探索两个阶段。在开发阶段包括围捕猎物和螺旋泡网攻击方法，在勘探阶段是随机寻找猎物。接下来，将讨论每个阶段的详细方法如下。

开发阶段

(1)包围猎物

鲸鱼在猎物周围游泳，并根据搜索代理的最佳位置更新搜索代理的位置。包围猎物机制可以定义如下：

D＝|K·X

X

A＝2a·r-a (16)

K＝2·r (17)

其中t是当前迭代次数，

(2)螺旋气泡网攻击

鲸鱼通过螺旋升级的方式攻击猎物，其过程可以定义如下：

X

其中D’是一个

包围猎物和螺旋气泡网攻击的概率分别为50％。模型如下：

勘探阶段

通过选择随机搜索代理来指导搜索，增强WOA中的勘探阶段。因此，设置一个随机值是|A|≥1的A来搜索该值的猎物，探索阶段可以定义为：

X

随机鲸鱼个体在哪里，这是由当前种群

模拟退火

Kirkpatrick等人提出了模拟退火(SA)算法，该算法用于逃避局部最优解。SA算法有以下四个步骤：初始解；设置迭代次数；评估新的目标函数；是否通过计算最佳解和邻域解之间的差值来接受邻域解。本研究将SA算法与WOA相结合，避免过早陷入局部最优解。

K均值离散化

聚类用于对数据进行分类或分组。在本研究中，将K-均值聚类方法应用于该算法中，将种群划分为几个子种群。通过K均值方法将种群划分为几个子种群，并在子种群中找到局部最优解。数K表示被分割的簇数，均值是簇内数据对象的平均值。

提出的算法

解表示：在DFSP-BD中，使用二维向量和一维向量来表示包含工厂分配向量、作业优先级向量和产品分配向量的解，如图3所示。第一个向量将作业分配给分布式工厂。第二个向量安排分布式工厂作业的处理顺序。最后一个向量将几个不同的作业组装成一个产品。如图3所示，不同的颜色代表不同的产品。J1和J2属于P2，J3和J4属于P1，其余的工作属于P3。J1，J3，J5，J6在F1中处理，J2，J4，J7在F2中处理。产品按作业完成顺序组装。

解决方案初始化

(1)生成工厂分配向量：平均为相应的工作分配一个工厂。统计每个作业的总处理时间，找到min工作量工厂，将作业分配给min工作量工厂。

(2)生成作业优先级向量：作业处理顺序由各作业总处理时间的升序确定。

(3)生成批分配向量：该批次的发货顺序根据该批次作业最后一个加工阶段的加工时间确定。

局部搜索：为了提高全局优化能力，提出局部搜索如下：

插入产品：首先选择完成时间最长的批次作为关键批次。遍历关键批次的所有位置，取出每个产品，并将其存储在中间数组中。然后，将中间数组中的产品插入所有其他批次的所有位置，从而选择要插入的完成时间最少的批次的位置。最后，比较将产品插入其他批次后的最大完成时间以及插入产品前的最大完成时间是否减少，如果减少，则插入；如果没有，则恢复。

插入作业：首先，选择完成时间最长的工厂作为关键工厂。遍历关键工厂的所有位置，从关键工厂取出每个作业，并将其存储在中间数组中。然后，将中间数组中的工厂插入到所有其他工厂的所有位置，从而选择要插入的完成时间最少的工厂的位置。最后，比较将作业插入其他工厂后的最大完成时间，以及插入作业前的最大完成时间是否减少，如果减少，则插入；如果没有，则恢复。

在同一批中交换不同的产品：首先选择完成时间最长的批次作为关键批次。然后，从关键批次中随机选择两个位置进行产品互换，计算完成时间，直到找到最小完成时间。

在不同的批次中交换不同的产品：首先，选择最大完成时间的两个批次；然后遍历所有的产品位置并计算完成时间；最后，选择最小完成时间的位置来交换产品。

在同一工厂交换不同的工作：首先，选择最长完成时间的工厂作为关键工厂。然后，从重点工厂随机抽取两个岗位互换作业，计算完成时间，直至找到最小完成时间。

在不同的工厂中交换不同的作业：首先，选择两个完成时间最大的作业；然后遍历所有作业位置并计算完成时间；最后，选择完成时间最小的位置交换产品。

实验分析

实验算例

为了测试IWOA-LS在求解DFSP-BT中的效率，生成了包含四个问题参数的30个实例。参数是工厂、工作、机器和客户。其中工厂，工位，机台数量3种，发货客户2种。不同参数的量分布，生成30个实例。

实验参数

本文使用了两个主要参数：温度(T)和种群数量(N)。对于温度和种群组数，分别设置5个数字，通过不同的组获得实验数据，并为更好的参数组进行分析。如表3所示，我们将两个参数的不同值组合起来。因此，利用DOE的田口法分析了这两个参数对算法性能的影响。使用正交阵列L16(42)在四因子水平上分析参数。每个参数组独立运行30次，得到平均值，为响应变量(RV)。表4列出了16组参数的RV，并通过图4中的线图对参数进行了分析。从表4和图4，当参数T在第一级，N在第一级时，结果最好，T的对应值等于0.1，N等于3。

表3参数值

表4正交阵列和RV值

局部搜索策略的有效性

为了测试IWOA与本地搜索策略(IWOA-LS)的效率，比较了IWOA-LS和无本地搜索策略(IWOA)的IWOA)。通过两种算法，分别独立运行30个实例30次，得到最大值，最小值，平均值。然后得到了最优值和dev。表5给出了比较实验结果。第一列是问题规模，它包含工作、机器和工厂的数量。在第二列中给出每个实例的最佳值，接下来的两列是两个算法的最小适应度值，最后两列是每个算法相对于相应的最优值获得的百分比偏差，计算公式在(24)：

dev＝(f

从表5可以看出：(1)在30个实例下，IWOA-LS有30个最佳解决方案，而IWOA只有3个最佳解决方案；(2)与最后一行相比，IWOA-LS的平均值远小于IWOA。

为了验证与比较的IWOA的性能，生成了方差分析图，如图5所示。给出了两种比较算法与dev值的比较结果。该p-value＝2.20022e-17，远小于0.05，表明该算法具有较好的性能。

表5 IWOA-LS和IWOA的比较

和其他算法对比的有效性

对于这一部分，为了测试与其他算法相比的性能，给出了IWOA-LS和ABC算法的详细比较。表6显示了30个测试实例的实验数据，其中包括最佳解决方案、适应度值和dev值。从表6中可以看出：(1)在30个实例下，IWOA-LS只有2个实例，但不是最佳解决方案，而ABC算法只有8个最佳解决方案；(2)与最后一行相比，IWOA-LS的平均值远小于ABC算法，ICA和IWOA-LS值相似。

图6给出了ABC算法、ICA算法和IWOA-LS算法的比较结果。从远小于0.05的p-value＝2.1333e0-7表明，该算法具有较好的性能。为了进一步证明IWOA-LS的优越性，随机选择了4个实例，如图8(a)-图8(b)所示。用收敛曲线分析了IWOA-LS与ICA之间的差距。

从四个不同实例的曲线可以看出，IWOA-LS在收敛和适应度值上都优于ICA。此外，计算了IWOA-LS解决批量交付给客户的分布式流店问题时的适应度值，选择了最小适应度值的计算实例，并通过甘特图表示为图7。

表7 IWOA-LS和其他算法的比较

实施例二

本实施例的目的是提供一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例子中方法的步骤。

实施例三

本实施例的目的是提供一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述实施例子中方法的步骤。

实施例四

本实施例的目的是提供具有批量交付约束的分布式流水车间调度系统，包括：

目标设定模块，被配置为：以最小化制造时间和总能耗为目标，其中制造时间包括加工阶段、批量交货阶段的时间，总能耗为卡车运输阶段的能源消耗；

求解模块，被配置为：对目标进行求解，获得生成工厂分配向量、生成作业优先级向量及生成批分配向量，按照上述向量进行分布式流水车间调度。

以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本公开中的任一方法。

本领域技术人员应该明白，上述本公开的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本公开不限制于任何特定的硬件和软件的结合。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。