本发明涉及城市规划技术领域，具体涉及一种公共交通线网优化方法。
背景技术：
公共交通是一个城市的血脉，随着城市的不断发展，需要对城市的公共交通线网进行不断优化，国内外学者均较早开展了公共交通线网优化研究。从优化目标来看，公共交通线网涉及不同利益主体，包括运营方和出行者；从算法设计来看，对公共交通线网优化的研究多侧重于使用亚启发式算法进行求解。
优化目标方面，公共交通线网涉及多目标问题的处理。多目标优化问题的研究普遍采取将多目标优化问题转化为单目标优化问题的思路对模型进行求解。现有技术中包括以下几种多目标优化问题的求解方式：以最小化出行以最小化运营成本、用户出行成本与外部成本之和为目标函数构建出带绿色公共交通分配的公共交通线网优化模型，采用加权方法处理多目标优化问题；以最小化运营者成本与出行者的平均出行成本为目标函数构建区域公共交通网络优化模型，模型的求解分为考虑容量限制与不考虑容量限制两种情形。但是，上述求解方法中，将多目标问题转化为单目标问题进行处理，涉及的多目标模型处理方法均较单一，而从算法设计角度处理多目标优化问题的研究思路未有探索。
算法设计方面，现有技术中多采用亚启发式算法进行设计。亚启发式算法涉及遗传算法、蚁群算法、模拟退火算法、禁忌搜索算法等，并由单一类型的亚启发式算法向算法结合发展。现有技术中的亚启发式算法主要包括以下几种：使用遗传算法求解公共交通线网优化模型，并结合模拟退火算法概率选择的思路，采取二进制编码，选择操作由适应度函数结合模拟退火算法；使用遗传算法求解，适应度函数由目标函数加动态惩罚系数构成，采取基于自适应概率的交叉操作与变异操作；使用遗传算法求解公共交通专用道选址与线网优化模型，求解中首先产生候选公共交通线路集合，然后将线路二进制编码，带入遗传算法进行优化，适应度函数由目标函数值加权归一化得到；使用遗传算法进行公共交通线网优化求解，采用十进制编码和基于轮盘赌的选择，利用概率随机选点并进行线路交叉；使用蚁群算法求解基于限时免费换乘的公共交通线网优化模型，并引入惩罚机制；使用模拟退火算法求解城市常规公共交通线路优化问题；使用禁忌搜索法与模拟退火算法两种算法求解优化模型；另外，还有使用匈牙利算法、yen算法和穷举法求解计算优化模型，求解中先合并公共交通车站，然后选择起讫点并寻找可行线路集合并进行线网优化，该算法仅适用于研究区域较小的中小城市。
其中，遗传算法是一种全局优化的搜索算法，被广泛应用在各个领域，如运输问题、调度问题、组合优化问题等，涉及的要素主要包括初始种群的产生、目标函数的评价、选择操作、交叉操作、变异操作及算法的收敛标准。现有技术中，遗传算法存在以下几点不足：①遗传算法的收敛标准难以界定；②遗传算法搜索结果的准确性难以保证，基于积木块的搜索过程带有随机性；③该算法容易陷入局部最优解，这是由于变异概率比较低造成的；④种群规模限制了遗传算法应用范围。遗传算法在每代中总是要维持一定规模的种群，若种群规模较小，则难以体现算法的优越性；若种群规模较大，则计算时间较长，求解效率偏低。
模拟退火算法来源于固体的退火过程，是一种随机搜索过程，用于求解组合优化问题。通过设定控制参数，模拟退火算法从可行解出发随机进行搜索，伴随着“产生新解—判断解是否被接受—接受或者舍弃”的迭代过程，在迭代递减时产生一系列的马尔科夫链，并逐步逼近最优解。该算法涉及的要素主要有初始温度的设定、温度下降方法的确定、每一温度迭代长度的确定及终止准则的确定。现有技术中，模拟退火算法存在以下几点不足：①计算时间与优化效果之间存在矛盾，且难以协调：理论上，只要计算时间足够长，马尔科夫链足够长就可以保证找到全局最优点；但在实际操作中，很难确保优化结果的准确性；②马尔科夫链长不容易控制，难以判断每一温度下是否达到平衡；③较多使用迭代次数控制收敛，算法的收敛标准难以界定。
现有技术中公共交通线网优化中，尚存在多目标问题处理过于单一化、目标博弈和优化原则之间的关系没有深入体现、亚启发式算法求解过程中易陷入局部最优解等问题。
技术实现要素：
本发明的实施例提供了一种公共交通线网优化方法，在多目标模型中同时考虑运营者与出行者的利益，在满足运营者利益的基础上最大化出行者利益，将模拟退火算法与遗传算法嵌套使用，通过目标选择和收敛实现的改进，求解多目标优化模型，改进多目标优化问题中的单一性，解决人工智能算法求解中的局部最优解问题，保证优化过程的全局搜索能力，并避免算法陷入局部最优解，从而确保算法的求解质量。
为了实现上述目的，本发明采取了如下技术方案。
一种公共交通线网优化方法，所述方法包括如下步骤：
步骤s1，以模拟退火算法为框架，在所述框架下以最小化运营公司全天总运营成本为目标获得初始线网；
步骤s2，对初始线网进行打散操作，形成若干个线网单元；
步骤s3，以打散后的线网单元为输入网络，以最小化所有出行者总出行时间为目标构建公共交通线网优化模型，进行遗传算法优化；
步骤s4，输出所述公共交通线网优化模型，对公共交通线网优化模型去除冗余线路后，形成简化后的新线网；
步骤s5，通过最大迭代次数或终止温度判断是否达到收敛条件；是，则输出计算结果，为最优结果；否，则以新线网为初始线网，转入步骤s1。
进一步地，所述步骤s1中模拟退火算法，进一步包括如下步骤：
步骤s21，参数设置；
步骤s22，计算线路所需的车辆数，按照车辆配备的原则对线网进行线网单元确定及车辆配备；
步骤s23，根据线网单元及车辆配备计算线网运营成本。
进一步地，所述参数包括：初始温度t0、终止温度tstop、最大迭代次数i1、退火控制速率d1、控制温度tc、退回温度tp、迭代退回速率d2与成本差控制变量ca。
进一步地，所述步骤s22进一步包括：
步骤s221，寻找单元，计算单元重合度。将线网中的线路打散并形成单元，寻找单元，并按照从大到小的顺序在线网中计算出单元重合度；
步骤s222，按照单元重合度按照小到大的顺序，给每个经过单元的线路进行车辆配备与运力配置；
步骤s223，按照单元运力不足的处置措施，重新计算并调整线网上每条线路上所配的车辆数目；
步骤s224，重新计算并调整线网上每条线路上所配的车辆数目。
进一步地，所述步骤s2中的打散操作，进一步为：将公共交通线网按照经过的路段拆分成一个或者有相邻的几个路段，将不同线路中经过同一或几个相同车站的路段作为一个集合；
所述步骤s2中的单元为，某条线路中一个或者几个路段的集合。
进一步地，所述步骤s3中的遗传算法，包括如下步骤：
步骤s261，遗传算法参数设置及种群初始化；
步骤s262，判断线网是否满足约束条件限制；若公共交通线网满足约束条件限制，保留本次线网结构，转步骤s263；否则，不保留本次线网结构，转步骤s264；
步骤s263，计算个体适应度，并保留适应度最高的公共交通线网；
步骤s264，对公共交通线网进行遗传操作优化公共交通线网；在每代中采用基于轮盘赌进行选择操作，基于随机概率进行交叉操作与变异操作，并产生新线网；
步骤s265，判断算法是否满足终止条件；若所提出的遗传算法迭代达到最大迭代次数，则转入步骤s266；否则，转步骤s262；
步骤s266，终止算法中的搜索过程，输出适应度最高的个体。
进一步地，所述步骤s261中的遗传算法参数包括：种群规模、最大迭代代数i2、交叉概率pc、变异概率pm。
进一步地，所述步骤s262中的约束条件为：连通性、线路长度及车辆一次充电后的续航里程限制。
进一步地，所述步骤s4中的冗余线路，为：
当线网中存在两条线路时，其中一条线路是另一条线路的一部分或者全部，则里程短的线路为冗余线路。
进一步地，所述步骤s5中的收敛条件为：最大迭代次数限制或终止温度限制。
由上述本发明的实施例提供的技术方案可以看出，本发明实施例所提供的公共交通线网优化方法，以模拟退火算法为框架，在框架下以最小化运营公司全天总运营成本为目标获得初始线网；对初始线网进行打散后形成线网单元，并以此为输入网络，嵌入遗传算法进行优化，以最小化所有出行者总出行时间为目标构建公共交通线网优化模型，形成简化后的新线网，返回模拟退火算法主框架进而判断是否达到收敛条件。本发明以模拟退火算法为框架并嵌入遗传算法来处理多目标问题，算法的结合既保证了优化过程有较强的全局搜索能力，也能一定程度上避免算法陷入局部最优解，从而提高求解质量；同时，本发明提出“单元”的设计理念以促进多目标寻优过程的结合，并通过双温协同控制来改进亚启发式算法的收敛条件，从而克服了亚启发式算法存在收敛条件难以界定的共性缺点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明第一实施例公共交通线网优化方法流程示意图；
图2为本发明第二实施例公共交通线网优化方法流程示意图；
图3为本发明第二实施例中线网单元结构示意图；
图4为本发明第二实施例中遗传算法流程示意图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本发明提供了一种公共交通线网的优化方法，所述方法在多目标模型中同时考虑运营者与出行者的利益，在满足运营者利益的基础上最大化出行者利益，改进多目标问题的求解单一性问题；将模拟退火算法与遗传算法嵌套使用，求解多目标优化模型。所述方法以模拟退火算法为优化进程的主体框架，以嵌入的遗传算法作为子流程对公共交通线网进行优化，模拟退火流程以运营公司的利益为导向，从运营者角度把公共交通线网朝着总运营成本最小的方向进行优化；而嵌套的遗传算法流程则从出行者出行效率角度优化公共交通线网，把公共交通线网朝着总出行时间最小的方向进行优化，从而将运营者与出行者的利益朝着相互协调的角度推进，平衡二者之间的利益矛盾。
下面通过具体的实施例，并结合附图，对本发明的技术方案作进一步详细的说明。
第一实施例
本实施例提供了一种公共交通线网的优化方法，所述方法在原始线网基础上对公共交通线网进行优化，具有双温控制、线网可逆、遗传嵌套式模拟退火等特点。图1所示为本实施例所述公共交通线网优化方法流程示意图。如图1所示，所述公共交通线网优化方法包括以下步骤：
步骤s1，以模拟退火算法为框架，在框架下以最小化运营公司全天总运营成本为目标获得初始线网；
步骤s2，对初始线网进行打散操作，形成若干个线网单元；
步骤s3，以打散后的线网单元为输入网络，以最小化所有出行者总出行时间为目标构建公共交通线网优化模型，进行遗传算法优化；
步骤s4，输出所述公共交通线网优化模型，对公共交通线网优化模型去除冗余线路后，形成简化后的新线网。
本步骤中，若线网中存在两条线路，其中一条线路是另一条线路的一部分或者全部，则里程短的线路为冗余线路。
步骤s5，判断是否达到最大迭代次数限制或终止温度限制两个收敛条件之一；是，则输出计算结果，为最优结果；否，则以新线网为初始线网，转入步骤s1。
由以上技术方案可以看出，本实施例将模拟退火算法与遗传算法嵌套使用进行求解，所提出的模拟退火算法以最小化运营公司一天的总运营成本为目标构建目标函数；所提出的遗传算法以最小化出行者的总出行时间为目标构建适应度函数，将运营者与出行者的利益朝着相互协调的角度推进，平衡了二者之间的利益矛盾。
第二实施例
本实施例提供了一种公共交通线网的优化方法，图2所示为本实施例所述公共交通线网的优化方法流程示意图。如图2所示，本实施例所述公共交通线网优化方法包括以下步骤：
步骤s21，参数设置。
进一步地，本步骤中，设置以下参数：初始温度(t0)、终止温度(tstop)、最大迭代次数(i1)、退火控制速率(d1)、控制温度(tc)、退回温度(tp)、迭代退回速率(d2)与成本差控制变量(ca)。
优选的，本实施例中设置t0的数值为100、tstop的数值为0、i1的数值为500、d1的数值为0.97、d2的数值为0.94；ca为已经找到的最小的线网运营成本的33.00％。
本步骤中，模拟退火具有两个温度控制变量，即控制温度(tc)和退回温度(tp)。tc的设置是为了确保算法的降温是在线网的运营成本下降的前提下进行的，而tp则用于控制算法在某一方向的最优解搜索距离。ca代表算法每一次迭代得到的运营成本的变化率。根据每次迭代ca的值，按metropolis原则概率接受较大的运营成本所对应的线网结构。
步骤s22，计算线路所需的车辆数，按照车辆配备的原则对线网进行线网单元确定及车辆配备。
进一步地，本步骤包括以下子步骤：
步骤s221，寻找单元，计算单元重合度。将线网中的线路打散并形成单元，寻找单元，并按照从大到小的顺序在线网中计算出单元重合度；
步骤s222，按照单元重合度从小到大的顺序，给每个经过单元的线路进行车辆配备与运力配置。
从单元角度出发对线网进行车辆配备，并按照线路单元内的上行及下行最大的客流量来确定该单元的最小运力需求。计算线路所需的最小车辆数，然后计算出每个单元所能得到的经过该单元所有线路分配的车辆总和。根据线网单元重合度按照设定的顺序，给每个线网单元的线路进行车辆配备与运力配置；
步骤s223，按照单元运力不足的处置措施，重新计算并调整线网上每条线路上所配的车辆数目。
车辆配备过程中很有可能出现给线网配备车辆后，某一单元存在运力不足的情况。在按照单元重合度给线路配备车辆时，若某一单元的车辆数目不能满足运输需求，则在经过该单元的所有线路中线路长度最短的那条线路上配车，目的是希望配备车辆后的线路能够在该单元内分配的运力最大，从而减少配车数目，并进一步降低运营成本。
步骤s224，重新计算并调整线网上每条线路上所配的车辆数目。
给每条线路配车，要看所有经过这条线路的单元的运输需求量是否得到满足，并依据单元运力不足的处置措施，重新计算单元及线路的具体配车数量。要求计算出的线路配备的车辆之和与一个车辆所能提供的载客量的乘积大于或者等于叠加在任意一个单元里所有最短路的上行或下行的最大出行需求总和。
需要说明的是，本步骤中对线网打散并不改变线网结构，只是为了线网中配车的需要。
步骤s23，根据线网单元及车辆配备计算线网运营成本。
本步骤中，考虑备用车辆及实际运营成本，计算线网的运营成本。比较某次迭代得到的线网运营成本与已经找到的最小的线网运营成本，决定本次迭代得到的线网结构是被完全接受、被概率接受还是被拒绝，决定tc与tp的变化情况，并确定下一步迭代的线网结构。该步骤从运营者角度对线路中的运营成本进行优化，计算并比较计算出来的线网运营成本，确定下一步迭代的起点，更新参数。
其中，线网运营成本的计算，以运营成本为目标构建目标函数。在迭代过程中，根据所嵌套的遗传算法输出的线网去除冗余线路，并对每条线路进行车辆配备，计算线网运营成本。若某次迭代得到的线网运营成本比已经找到的最小的线网运营成本小，则接受本次迭代得到的线网结构，线网最小运营成本替换为本次迭代所得到的线网运营成本，且tc与tp同时下降。若某次迭代得到的线网运营成本比已经找到的最小的线网运营成本大，但ca的取值在可接受范围内，则算法根据概率接受公式本次迭代得到的线网结构；若接受，tc与tp同时下降；若不接受，tp下降，但tc不变。若某次迭代得到的线网运营成本比已经找到的最小的线网运营成本大，且ca的取值不在可接受范围内，则保留上一次迭代得到的线网结构，tp下降，但tc不变。
ca＝(cnew-ccurrent)/ccurrent×100％
其中，ca为成本差控制变量；cnew为某次迭代得到的线网运营成本；ccurrent为已经找到的最小的线网运营成本。
p＝exp((cnew-ccurrent)/tp)×100％
其中，p为对某次迭代得到的线网结构的接受概率；tp为当前的退回温度取值。
步骤s24，根据所计算的运营成本判断是否满足终止条件。
进一步地，所述判断过程为：如果控制温度小于等于以设定的迭代终止温度或算法计算搜索的累计次数大于等于设定的循环迭代停止的最大次数限制，则停止算法的搜索，将此时得到的结果作为最终线网并输出；否则，执行步骤s25。
步骤s25，把经过运营成本比较后保留的线网按照单元打散原则，对线网进行打散，重新形成单元及新线网。
一条线路通常由几个相邻的路段构成，本步骤中所述打散为将网络中的线网按照其经过的路段拆分成一个或者有相邻的几个路段。将不同线路中经过同一或几个相同车站的路段作为一个集合，定义单元为某条线路中一个或者几个路段的集合，单元是通过线路打散而形成的介于路段与线路之间的中间集合。此外，本算法定义单元重合度为经过同一单元的线路数目。线路打散与单元的形成将通过一个小网络进行具体解释。图3所示为本实施例中线网单元结构示意图，本实施例中以5个车站和2条线路为例进行说明。如图1所示，5个车站和2条线路分别是车站①、车站②、车站③、车站④和车站⑤，以及线路1和线路2。线路1经过车站②、车站③、车站④和车站⑤，线路2经过车站①、车站③、车站④和车站⑤。按照线路打散的定义对网络进行打散操作，根据线路走向及其经过的车站将路段集合打散并形成3个单元，分别是连接车站①与车站③之间的路段，连接车站②与车站③之间的路段以及车站③、车站④、车站⑤构成的路段集合。
需要说明的是，本步骤中的线路打散改变线路结构，并对线网重新构造，这一点与步骤s22有所不同。
步骤s26，使用本算法中的遗传算法流程对线网进行优化。
本步骤从出行者角度，以最小化所有出行者的总出行时间为目标对公共交通线网进行出行时间整体优化。将打散后的线网作为遗传算法的输入网络，并对其进行线网优化。在新线网上计算任意出行需求之间的出行时间最短路，在车辆一次充电后的续航里程限制、网络联通限制及线路长度限制的条件下，对线网进行出现时间优化，以达到整个新线网上所有出行者总出行时间最短的目标。
进一步地，本步骤中的遗传算法，基于概率进行。以公共交通线网为个体，以线路为染色体，以车站为基因采取二进制编码，并采取基于轮盘赌的选择操作，基于随机概率的交叉与基于0-1字符串取反的变异操作。所提出的遗传算法流程以最小化公共交通线网中所有出行者的总出行时间为目标构建适应度函数，并通过轮盘赌的选择操作择优选择优良个体进行遗传操作；所提出的交叉操作指的是在每一代中选取父代中的父母双方，随机选择车站，并交换线路编码中所选车站右边所有车站；所提出的变异操作指的是随机选择车站并进行0-1字符串取反。此外，每次迭代中，所提出的遗传算法在在对线网进行优化时必须满足网络联通限制、线路长度限制及车辆一次充电后的续航里程限制这3个限制条件。
图4所示为本步骤中所述遗传算法流程示意图。如图4所示，所述遗传算法具体包括如下步骤：
步骤s261，参数设置及种群初始化。
设置种群规模(m)的数值为10、最大迭代代数(i2)的数值为100、交叉概率(pc)的数值为0.8、变异概率(pm)的数值为0.2，构建以最小化出行者总出行时间为目标的适应度函数，并产生初始种群。
步骤s262，判断线网是否满足约束条件限制。检验公共交通线网是否满足连通性、线路长度及车辆一次充电后的续航里程限制这3个约束条件。若公共交通线网满足这3个约束条件限制，保留本次线网结构，转步骤s263；否则，不保留本次线网结构转步骤s264，在经过遗传操作得到本次线网之前的线网结构上重新进行遗传操作。
步骤s263，计算个体适应度，并保留适应度最高的公共交通线网。
步骤s264，对公共交通线网进行遗传操作优化公共交通线网。在每代中采用基于轮盘赌进行选择操作，基于随机概率进行交叉操作与变异操作，并产生新线网。
本步骤中的选择操作、交叉操作与变异操作之间无顺序关系。
步骤s265，判断算法是否满足终止条件；若所提出的遗传算法迭代达到最大迭代次数，则转入步骤s266；否则，转步骤s262；
步骤s266，终止算法中的搜索过程，输出适应度最高的个体。
本步骤中遗传算法具有线路打散与去除冗余线路的过程，没有线路条数限制这一约束，因此对公共交通线网优化更具灵活性。
步骤s27，删除经过遗传算法优化后线网中的冗余线路，对线网进行简化。
将线路合并，删除线网中线路里程短的冗余线路，并形成简化后的新线网。为的是在满足出行者出行需求量的前提下节省运力避免浪费，以达到运营成本最小的目标。完成新线网简化的操作后，返回步骤s22。
由以上技术方案可以看出，本实施例所述的公共交通线网的优化方法，以模拟退火流程作为主体框架，利用模拟退火算法良好的容差能力，可概率接受成本较大的线网，从而扩大了解的搜索空间；以遗传算法作为优化出行时间的搜索算法，利用遗传算法较强的全局搜索能力与较高的求解质量，从而把模拟退火算法与遗传算法结合使用，既保证了优化过程有较强的全局搜索能力，也能一定程度上避免算法陷入局部最优解，从而确保算法的求解质量。同时，本发明实施例应用双温协同控制来改进亚启发式算法的收敛进程，结合迭代次数设置，克服了亚启发式算法存在收敛条件难以界定的共性缺点。
本发明实施例的公共交通线网优化方法，首次从算法角度对公共交通线网设计优化问题的多目标进行处理，首次提出处理线网优化问题的“可逆化”模拟退火流程，首次提出基于动态成本和效率的公共交通线网设计多目标优化问题的帕累托改进方法，突破了一般“加权式”的多目标处理形式，通过算法的组合优化形式处理多目标，计算更为准确可靠，方法更为合理有效，体现了基本原理的创新和优势。同时，本发明的优化方法基于模拟退火算法的良好容差能力，提出了可逆化的搜索方式，大大提高了迭代控制的准确率；提出“单元”的设计理念并配之于遗传算法优化过程，科学体现了线网优化问题中多目标博弈的直观过程。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。