一种多车型车辆路径优化方法、服务器及系统与流程

本发明属于配送路径优化领域，尤其涉及一种多车型车辆路径优化方法、服务器及系统。

背景技术：

配送在物流和供应链中具有重要意义。配送车辆的行驶路径可以建模为车辆路径问题(vehicleroutingproblem,vrp)。vrp在优化物流配送网络、降低物流配送成本中有着重要作用，被认为是最重要的组合优化问题之一。在现实生活中，企业往往需要安排不同体积或者载重的车辆共同完成配送，这时vrp问题就可以抽象成多车型车辆路径问题(fleetsizeandmixvehicleroutingproblem，fsmvrp)。fsmvrp是vrp问题的一个重要变型，这里的车队是由载重和成本不同的车辆组成的，但每种类型的车辆数量仍然是无限的。考虑到不同类型的车辆的载重和成本不同，企业需要决定如何安排每种类型车辆的数量以及行驶路径来满足客户需求。

自多车型车辆路径问题在1984年由golden提出以后，引起了国内外学者的广泛研究，提出了许多不同的求解算法。近年来元启发式算法成为了求解fsmvrp的主流算法，而gsa恰好是一种新的元启发式算法并已经在很多优化问题中取得了很好的效果。研究表明，gsa算法的收敛性明显优于pso和ga等其他智能优化算法,但提出的算法都存在着早熟收敛、易陷入局部最优等问题。

综上所述，亟需一种快速准确地得到全局最优的多车型车辆路径的方法。

技术实现要素：

为了解决现有技术的不足，本发明的第一目的是提供一种多车型车辆路径优化方法，其通过引入遗传算法中的交叉算子和变异算子，在万有引力搜索算法的位置移动方程上增加质量因子的方式，得到改进的万有引力搜索算法，利用改进求解多车型车辆的最优路径，提高了求解的速度及准确性。

本发明的一种多车型车辆路径优化方法，包括：

步骤1：构建多车型车辆路径优化模型；

目标函数为油耗成本与固定成本的最小值；

约束条件包括：

(a)载重量约束；

(b)最大行驶距离约束；

(c)每个客户点有且仅有一辆车配送；

(d)车辆都是从配送中心出发且最终又回到配送中心；

步骤2：求解多车型车辆路径优化模型；

将万有引力搜索算法中粒子位置映射为客户点序列，并为客户点分配车辆；

在万有引力搜索算法中引入遗传算法中的交叉算子和变异算子，若交叉、变异后的粒子的适应度值优于原本粒子的适应度值，则更新该粒子的位置；

直至达到最大迭代次数，并输出最优解。

其中，交叉算子：使每个粒子都与当前质量最大即最优的粒子进行交叉操作；在最优粒子上随机产生交叉片段的起止点，并在每个粒子上生成一个交叉位，用最优粒子的交叉片段替换掉粒子上以交叉点为起点的一部分位置信息；

变异算子：在粒子位置上随机产生两个变异位，将两个变异位上的位置变量互换。

进一步的，在步骤2中，还对万有引力搜索算法进行初始化，采用随机键编码的方式，将粒子在每一维的位置分量控制在[0，1]范围内。

进一步的，在步骤2中，还包括对万有引力搜索算法中粒子边界约束检查，对于溢出边界的粒子，将粒子位置分量设置为最低边界值与边界范围内随机数之和。

进一步的，在步骤2中，以车型为基准的车辆动态分配原则，根据车型之间的转换概率动态为客户点分配不同类型的车辆。

进一步的，已知粒子经过映射之后得到的客户点顺序；根据车型之间的转换概率动态为客户点分配不同类型的车辆的具体过程为：

1)设置车辆类型之间的转换概率；

2)选取载重量不小于第一个客户点的需求量的最小车型的车辆进行配送，依次将之后的客户点添加到当前车辆的服务路径中，并将其需求量相加，当客户点的需求量之和大于当前车辆的最大载重量时，生成一个随机概率；

3)若随机概率小于转换概率，则将当前路径中的最后一个客户点从当前路径中剔除后插入“0”，此时得到一条由当前车辆配送的路径；否则，重新选择一辆载重量大于当前客户点需求量之和且车型最小的车辆，继续添加客户点，直至得到一条配送路径；

4)完成一条配送路径后，以未被配送的第一个客户点为起点，重复步骤2)-3)直到所有客户点都被配送。

本发明的第二目的是提供一种多车型车辆路径优化服务器，其通过引入遗传算法中的交叉算子和变异算子，在万有引力搜索算法的位置移动方程上增加质量因子的方式，得到改进的万有引力搜索算法，利用改进求解多车型车辆的最优路径，提高了求解的速度及准确性。

本发明的一种多车型车辆路径优化服务器，其被配置为执行以下步骤：

构建多车型车辆路径优化模型；

目标函数为油耗成本与固定成本的最小值；

约束条件包括：

(a)载重量约束；

(b)最大行驶距离约束；

(c)每个客户点有且仅有一辆车配送；

(d)车辆都是从配送中心出发且最终又回到配送中心；

求解多车型车辆路径优化模型；

将万有引力搜索算法中粒子位置映射为客户点序列，并为客户点分配车辆；

在万有引力搜索算法中引入遗传算法中的交叉算子和变异算子，若交叉、变异后的粒子的适应度值优于原本粒子的适应度值，则更新该粒子的位置；

直至达到最大迭代次数，并输出最优解。

进一步的，所述服务器还被配置为：

对万有引力搜索算法进行初始化，采用随机键编码的方式，将粒子在每一维的位置分量控制在[0，1]范围内。

进一步的，所述服务器还被配置为：

对万有引力搜索算法中粒子边界约束检查，对于溢出边界的粒子，将粒子位置分量设置为最低边界值与边界范围内随机数之和。

进一步的，所述服务器还被配置为：

以车型为基准的车辆动态分配原则，根据车型之间的转换概率动态为客户点分配不同类型的车辆。

进一步的，已知粒子经过映射之后得到的客户点顺序；根据车型之间的转换概率动态为客户点分配不同类型的车辆的具体过程为：

1)设置车辆类型之间的转换概率；

2)选取载重量不小于第一个客户点的需求量的最小车型的车辆进行配送，依次将之后的客户点添加到当前车辆的服务路径中，并将其需求量相加，当客户点的需求量之和大于当前车辆的最大载重量时，生成一个随机概率；

3)若随机概率小于转换概率，则将当前路径中的最后一个客户点从当前路径中剔除后插入“0”，此时得到一条由当前车辆配送的路径；否则，重新选择一辆载重量大于当前客户点需求量之和且车型最小的车辆，继续添加客户点，直至得到一条配送路径；

4)完成一条配送路径后，以未被配送的第一个客户点为起点，重复步骤2)-3)直到所有客户点都被配送。

本发明的第三目的是提供一种多车型车辆路径优化系统，其通过引入遗传算法中的交叉算子和变异算子，在万有引力搜索算法的位置移动方程上增加质量因子的方式，得到改进的万有引力搜索算法，利用改进求解多车型车辆的最优路径，提高了求解的速度及准确性。

本发明的一种多车型车辆路径优化系统，包括上述所述的多车型车辆路径优化服务器；及

车载终端，其用于接收并显示多车型车辆路径优化服务器输出的最优路径。

与现有技术相比，本发明的有益效果是：

(1)本发明的多车型车辆路径优化方法、服务器及系统通过引入遗传算法中的交叉算子和变异算子，在万有引力搜索算法的位置移动方程上增加质量因子的方式，得到改进的万有引力搜索算法，利用改进求解多车型车辆的最优路径，提高了求解的速度及准确性。

(2)本发明通过改进的万有引力算法求解多车型车辆路径优化问题，不仅可以取得很好的结果而且算法的收敛速度快，收敛精度高。

(3)本发明设计了一种改进的万有引力算法求解多车型车辆路径问题，通过解的映射规则和动态的车辆分配原则，使粒子的连续位置转变成可行的车辆路径方案，为避免算法陷入局部最优，在算法中引入了遗传算法中的交叉算子和变异算子，增强了算法的局部搜索能力，另外，为了使粒子更快的向最优解移动，在原算法的位置移动方程中增加质量因子，加快了算法的寻优速度。

附图说明

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

图1是gas算法流程图。

图2是客户位置坐标和需求量关系示意图。

图3是三种算法求解实验一的收敛曲线。

图4是igas算法求得的车辆路径图。

图5是本发明的多车型车辆路径优化方法流程图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请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申请的示例性实施方式。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。

如图5所示，本发明的一种多车型车辆路径优化方法，至少包括：

步骤1：构建多车型车辆路径优化模型；

目标函数为油耗成本与固定成本的最小值；

约束条件包括：

(a)载重量约束；

(b)最大行驶距离约束；

(c)每个客户点有且仅有一辆车配送；

(d)车辆都是从配送中心出发且最终又回到配送中心；

步骤2：求解多车型车辆路径优化模型；

将万有引力搜索算法中粒子位置映射为客户点序列，并为客户点分配车辆；

在万有引力搜索算法中引入遗传算法中的交叉算子和变异算子，若交叉、变异后的粒子的适应度值优于原本粒子的适应度值，则更新该粒子的位置；

直至达到最大迭代次数，并输出最优解。

下面具体结合实施例来进行详细说明：

(1)多车型车辆路径优化模型的建立

多车型车辆路径问题(fsmvrp)可描述为：

一个配送中心拥有s种类型的配送车辆，每种类型车辆的载重量为qs，(s＝1,2,...,s)，最大行驶距离为ds，(s＝1,2,...,s)，单位距离油耗费用为cs,(s＝1,2,...,s)，车辆使用固定费用为fs，(s＝1,2,...,s)。

配送中心需要安排车辆对m个客户点进行货物配送，各个客户点的需求量为ga，(a＝1,2,...,m)。

每个客户点必须配送且只能配送一次，每条配送路径的客户需求量之和不大于车辆载重量。配送中心用0表示，车辆从配送中心出发最后又返回配送中心。客户点间，客户点、配送中心间的距离为dab，(a＝0,1...m,b＝0,1...m)，配送中心有足够的资源以供配送，并且拥有足够的运输能力，目标是寻找符合约束条件的最优的行驶路径，以达到最低的配送成本。

假设每种类型的车的数量足够多，为车型s的使用数量，

目标函数：

约束条件：

其中，式(1)为目标函数，前一部分为油耗成本，后一部分为固定成本；式(2)为载重量约束；式(3)为最大行驶距离约束、式(4)、式(5)、式(6)保证每个客户点有且仅有一辆车配送；式(7)、式(8)确保同一类型的车辆到达客户点之后要离开客户点；式(9)保证车辆都是从配送中心出发，最终又回到配送中心；式(10)、式(11)是决策变量间的关系式。

(2)多车型车辆路径优化模型的求解

(2.1)万有引力搜索算法

万有引力搜索算法是根据牛顿的万有引力定律提出的一种新型群体智能优化算法，算法中粒子的位置代表着问题的解，粒子之间通过万有引力的作用而相互吸引，在迭代过程中粒子们向着最优粒子的位置移动，最终搜索到全局近似最优解。

在fsmvrp问题中，种群的每一个粒子代表一种车辆路径方案。gsa算法的求解流程图见图1，核心部分由三个模块组成，分别是：初始化、计算粒子的质量和受到的合力、更新粒子速度和位置。

(2.2)改进的万有引力搜索算法

(2.2.1)初始化

定义种群数目为n，每个粒子在n维空间中运动，维数n与客户数量一致。本发明采用随机键编码的方式，将粒子在每一维的位置分量控制在[0，1]范围内，粒子i的位置为：

(2.2.2)边界约束检查

个体在向着最优解的位置移动的过程中，会由于引力的作用而溢出边界(小于下界0或者大于上界1)，若溢出，本发明对粒子的处理如下：若x＜low或x＞up则x＝low+rand(up-low),其中，rand为0到1之间的随机数，up＝1，low＝0。

(2.2.3)解的映射

经过初始化生成的粒子在n维空间上的坐标值都是连续的实数，而多车型车辆路径问题是典型的离散型问题，问题的解为各个客户点和配送中心的排列，代表着一个车辆路径方案，因此首先需要将粒子的位置映射为客户点序列。

本发明将n个位置分量中最大的实数作为客户点1，稍小的作为客户点2，通过这种方式，一个粒子的位置会映射为(1,2,...n)的其中一种客户点顺序。

例如，如表1，粒子的位置为xi＝(0.97,0.54,0.35,0.86,0.67,0.45)，最大的位置分量为0.97，代表客户点1，第二大的位置分量为0.86，代表客户点2，按此规则最后得到的客户访问顺序为1→4→6→2→3→5。

表1解的映射

(2.2.4)车户辆分点配原则

将粒子位置映射为客户点序列后，就要为客户点分配服务车辆，以使算法中的粒子位置转化为完整的车辆路径方案。

本发明提出了一种以车型为基准的车辆动态分配原则，根据车型之间的转换概率动态分配不同类型的车辆，具体步骤如下：

已知粒子i经过映射之后得到的客户点顺序为

1)设置车辆类型之间的转换概率ps，(s＝1,2,...,s)，其中ps＝1，其余均为大于0小于1的实数。

2)选取载重量不小于第一个客户点的需求量的最小车型的车辆h，(h＝1,2,...s)进行配送，依次将之后的客户点添加到车辆h的服务路径中，并将其需求量相加，当客户点的需求量之和大于qh时，算法生成一个随机概率p，0＜p＜1。其中，qh表示车辆h的最大载重量。

3)若p＜ps，则将当前路径中的最后一个客户点从当前路径中剔除后插入“0”，此时得到一条由车辆h配送的路径；若p≥ps，重新选择一辆载重量大于当前客户点需求量之和且车型最小的车辆h'，继续添加客户点，直至得到一条配送路径。

4)完成一条配送路径后，以未被配送的第一个客户点为起点，重复步骤2)、3)、4)直到所有客户点都被配送。

5)在粒子位置的前后加上“0”，此时粒子的位置就代表了一条完整的fsmvrp路径。

(2.2.5)计算粒子质量

第t次迭代时，粒子的质量计算公式如下：

mi(t)为第t次迭代时粒子的质量，fiti(t)为粒子在第t次迭代时的适应度函数值，本发明中为粒子位置代表的车辆路径方案的目标函数值；best(t)和worst(t)分别为在第t次迭代时种群的最优适应度函数值和最差适应度函数值，求解方法如下：

(2.2.6)交叉和变异

gsa算法虽然收敛速度快，但也存在收敛精度低，局部搜索能力弱等缺点.为了提高解的质量，引入遗传算法中的交叉算子和变异算子，避免算法陷入局部最优解。

交叉算子：使每个粒子都与当前质量最大即最优的粒子进行交叉操作。在最优粒子上随机产生交叉片段的起止点，并在每个粒子上生成一个交叉位，用最优粒子的交叉片段替换掉粒子上以交叉点为起点的一部分位置信息。表1显示的客户配送顺序为1→4→6→2→3→5，假设最优粒子如表2所示，交叉片段的起止点为2和4，表一中粒子的交叉位为3，则交叉后所得结果如表3所示。

表2最优粒子的位置信息

表3交叉后粒子的位置信息

变异算子：在粒户子点位置上随机产生两个变异位，将两个变异位上的位置变量互换。例如表一中粒子的变异位为1和4，则变异后的结果如表4所示。

表4变异后粒子的位置信息

若交叉、变异户后点的粒子的适应度值优于原本粒子的适应度值，则更新该粒子的位置。

(2.2.7)计算万有引力

迭代次数为t时,粒子j对粒子i的作用力为：

其中，rij(t)表示粒子i和粒子j之间的欧式距离，ε是极小的常数。g(t)为t时刻的万有引力系数，g0和都是初始化时设置的常数。

(2.2.8)计算合力

则粒子i在d维上所受到的合力为

其中，randj为0到1之间的一个随机数；kbest表示粒子质量按降序排在前k个的粒子，随迭代次数线性减小。

(2.2.9)计算加速度和速度

粒子i在第d维的加速度为

粒子i在第d维的速度更新公式为

其中，r表示在[0，1]之间服从均匀分布的一个随机变量.

(2.2.10)改进的位置更新公式

万有引力算法中粒子质量的大小代表着解的优劣，质量越大，解越好，作用于其他粒子的万有引力越强，越能吸引其他粒子向自己所在的位置聚集。根据这一特点，在原算法的位置移动方程的基础上增加质量因子，使得质量越大的粒子，保持自己原位置的能力越强，越不容易被其他粒子所吸引，质量越小，保留自己原位置的能力越弱，越容易被其他粒子所吸引，从而使粒子的移动更加合理，更快的聚集在质量最大的粒子的周围，进而更快的搜索到最优解。质量因子的计算方法如下：

其中，c是质量因子，mi(t)是当前粒子i的质量，mmax(t)是t次迭代时的最大质量，即当前最优粒子的质量，mmin(t)第t次迭代时的最小质量，即当前最差粒子的质量。

改进后粒子i在d维的位置更新公式为

(2.2.11)终止判断

执行步骤(2.2.2)、(2.2.3)、(2.2.4)，如果没有达到最大迭代次数，转到步骤(2.2.5)，否则，输出最优解。

(3)多车型车辆路径优化模型的求解方法的实验验证

(3.1)实验一

以原点为配送中心，随机生成20个客户点的需求量和位置，配送中心车辆信息如表5所示，所有车型车辆没有行驶距离的限制，图2为20个客户的位置及需求量信息，要求合理配置车辆和安排行驶路径，使得总的配送费用最少。

表5配送中心车辆信息

本发明采用igsa、gsa、ga三种算法分别求解，igsa中车型转换概率p＝0.5，万有引力系数g0＝500，α＝20，ga中交叉概率为0.9，变异概率0.1.三种算法求解实验一的目标函数值的收敛曲线如图3所示。

从图3可以看出，igsa求解实验一时，迭代初期具有较强的全局搜索能力，在迭代后期igsa的局部开发能力也明显优于ga和gsa，说明交叉算子和变异算子的引入有效地提高了算法的局部搜索能力，使其可以跳出局部最优解.另外与标准gsa相比，igsa在200次左右找到最优解，gsa在250次左右找到最优解，igsa的收敛速度和收敛精度均好于gsa，说明质量因子的引入加快了粒子的移动速度，以更快的速度搜索到了最优解，并且提高了解的精度。igsa最终收敛到21279.54元，与ga和gsa相比，目标函数值分别降低了5％和4％，证明igsa对于求解fsmvrp问题有较高的求解精度。

igsa求解实验一获得的最优车辆路径调度方案如图4和表6所示.此实验中客户点的分布比较集中，配送中心位于客户群的左下方。在igsa求得的最优解中，使用了两种车型的4台车辆，其中第二种车型1台，第三种车型3台，没有使用第一种车型，每台车均满足载重约束，平均装载率为88.45％，整个路径也满足fsmvrp的其余约束，最终总费用为21279.54元，总配送距离为5468.4千米。

表6igsa求得的车辆路径方案

(3.2)实验二

为了更加全面的证明igsa求解多车型车辆路径问题的寻优性能，本发明随机生成了10个算例，分别用c1-c10表示，包含的客户点从10个到30个不等，对igsa、gsa、ga三种算法加以比较研究，参数设置与算例一相同，为保证公平，实验中调整每个算法的最大迭代次数，使每个算法的运行时间相同，对于每个算例，相关算法都独立运行10次，得到的实验结果如表7所示，为方便计算，求得的最优解和平均解均向下取整。

表7表明在时间耗费相同的情况下，igsa算法明显优于ga算法和gsa算法，在10个算例中，虽然igsa求解个别算例的平均解不如ga或gsa，但求得的最优解均好于ga和gsa(c2，c3,c5求得的最优解相同)。在c4中虽然igsa的平均解比gsa的平均解高了256元，但是igsa的最优解比gsa的最优解少了348元，在c9中虽然igsa的平均解比ga的平均解高了449元，但是igsa的最优解比gsa少了910元。特别地，在c10中，igsa的最优解明显优于gsa和ga，分别优化了2509元和2700元的总配送费用.综上所述，igsa能有效求解fsmvrp问题，并具有较好的寻优性能。

表7igsa，gsa和ga的实验结果

本发明设计了一种改进的万有引力算法求解多车型车辆路径问题，通过解的映射规则和动态的车辆分配原则，使粒子的连续位置转变成可行的车辆路径方案，为避免算法陷入局部最优，在算法中引入了遗传算法中的交叉算子和变异算子，增强了算法的局部搜索能力，另外，为了使粒子更快的向最优解移动，在原算法的位置移动方程中增加质量因子，加快了算法的寻优速度。

最后，通过随机生成的算例对算法的有效性和优越性进行验证，实验表明，改进的万有引力算法求解fsmvrp不仅可以取得很好的结果而且算法的收敛速度快，收敛精度高。

本发明还提供了一种多车型车辆路径优化服务器。

本发明的多车型车辆路径优化服务器，被配置为执行以下步骤：

构建多车型车辆路径优化模型；

目标函数为油耗成本与固定成本的最小值；

约束条件包括：

(a)载重量约束；

(b)最大行驶距离约束；

(c)每个客户点有且仅有一辆车配送；

(d)车辆都是从配送中心出发且最终又回到配送中心；

求解多车型车辆路径优化模型；

将万有引力搜索算法中粒子位置映射为客户点序列，并为客户点分配车辆；

在万有引力搜索算法中引入遗传算法中的交叉算子和变异算子，若交叉、变异后的粒子的适应度值优于原本粒子的适应度值，则更新该粒子的位置；

直至达到最大迭代次数，并输出最优解。

在具体实施中，所述服务器还被配置为：

对万有引力搜索算法进行初始化，采用随机键编码的方式，将粒子在每一维的位置分量控制在[0，1]范围内。

在具体实施中，所述服务器还被配置为：

对万有引力搜索算法中粒子边界约束检查，对于溢出边界的粒子，将粒子位置分量设置为最低边界值与边界范围内随机数之和。

在具体实施中，所述服务器还被配置为：

以车型为基准的车辆动态分配原则，根据车型之间的转换概率动态为客户点分配不同类型的车辆。

具体地，已知粒子经过映射之后得到的客户点顺序；根据车型之间的转换概率动态为客户点分配不同类型的车辆的具体过程为：

1)设置车辆类型之间的转换概率；

2)选取载重量不小于第一个客户点的需求量的最小车型的车辆进行配送，依次将之后的客户点添加到当前车辆的服务路径中，并将其需求量相加，当客户点的需求量之和大于qh时，生成一个随机概率；其中，qh表示车辆h的最大载重量；

3)若随机概率小于转换概率，则将当前路径中的最后一个客户点从当前路径中剔除后插入“0”，此时得到一条由当前车辆配送的路径；否则，重新选择一辆载重量大于当前客户点需求量之和且车型最小的车辆，继续添加客户点，直至得到一条配送路径；

4)完成一条配送路径后，以未被配送的第一个客户点为起点，重复步骤2)-3)直到所有客户点都被配送。

本发明的一种多车型车辆路径优化系统，至少包括上述所述的多车型车辆路径优化服务器；及

车载终端，其用于接收并显示多车型车辆路径优化服务器输出的最优路径。

本发明的多车型车辆路径优化系统通过引入遗传算法中的交叉算子和变异算子，在万有引力搜索算法的位置移动方程上增加质量因子的方式，得到改进的万有引力搜索算法，利用改进求解多车型车辆的最优路径，提高了求解的速度及准确性。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明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发明的保护范围以内。