本发明涉及智能医疗技术领域，具体涉及一种考虑恶化程度下基于蚁群算法的单机医疗检查调度方法和系统、存储介质。
背景技术
目前，大部分医疗检查都是遵循先到先服务的原则，这种方式没有考虑到病人病情的严重程度，不同的病人超出其各自期限相同时长，对后续治疗的影响是不相同的，因此按照先到先服务的原则将会导致很多病人得不到及时的医疗检查，不仅对患者造成伤害，也会降低医院整体的治疗效果。
技术实现要素：
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种考虑恶化程度下基于蚁群算法的单机医疗检查调度方法和系统、存储介质，能够提供合理的患者检查顺序，从而降低患者整体因等待而导致病情恶化的影响，同时提高医院医疗服务水平和患者满意度。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
第一方面，本发明提供一种考虑恶化程度下基于蚁群算法的单机医疗检查调度方法，包括：
s100、获取单机医疗检查设备的检查患者的数量、每位检查患者的检查时长、每位检查患者对应的惩罚因子和每位患者最晚开始接受检查的时刻；其中，所述惩罚因子为依据对应的检查患者的疾病严重程度而设置；
s200、采用预设的蚁群算法确定目标函数的最优解，并按照所述最优解对所述单机医疗检查设备的检查患者进行排序；其中，所述目标函数以所有检查患者的总恶化程度最小为优化目标，每位患者的恶化程度根据该患者对应的惩罚因子、该患者最晚开始接受检查的时刻以及各个检查患者的检查时长而设置；
其中，所述采用预设的蚁群算法确定目标函数的最优解，包括：
s201、设置所述蚁群算法的初始参数；其中，所述初始参数至少包括蚂蚁的数量、路径信息素浓度的初始值、最大迭代次数和全局最优解的初始值；
s202、针对每只蚂蚁，生成各个检查患者的检查顺序，得到对应的可行解；
s203、根据所述检查患者的数量、每位检查患者的检查时长、每位检查患者对应的惩罚因子和每位患者最晚开始接受检查的时刻，确定每只蚂蚁对应的可行解对应的恶化程度，并将恶化程度最低的可行解作为当前最优解；
s204、将当前最优解与全局最优解的恶化程度进行比较，若当前最优解的恶化程度低于全局最优解的恶化程度，则将全局最优解更新为当前最优解；
s205、对路径信息素浓度进行更新；
s206、判断当前迭代次数是否小于所述最大迭代次数：
若是，则当前迭代次数加1，并返回步骤s202；
否则，将全局最优解作为所述目标函数的最优解。
第二方面，本发明提供一种考虑恶化程度下基于蚁群算法的单机医疗检查调度系统，包括：
获取模块，用于执行s100、获取单机医疗检查设备的检查患者的数量、每位检查患者的检查时长、每位检查患者对应的惩罚因子和每位患者最晚开始接受检查的时刻；其中，所述惩罚因子为依据对应的检查患者的疾病严重程度而设置；
求解模块，用于执行s200、采用预设的蚁群算法确定目标函数的最优解，并按照所述最优解对所述单机医疗检查设备的检查患者进行排序；其中，所述目标函数以所有检查患者的总恶化程度最小为优化目标，每位患者的恶化程度根据该患者对应的惩罚因子、该患者最晚开始接受检查的时刻以及各个检查患者的检查时长而设置；
其中，所述采用预设的蚁群算法确定目标函数的最优解，包括：
s201、设置所述蚁群算法的初始参数；其中，所述初始参数至少包括蚂蚁的数量、路径信息素浓度的初始值、最大迭代次数和全局最优解的初始值；
s202、针对每只蚂蚁，生成各个检查患者的检查顺序，得到对应的可行解；
s203、根据所述检查患者的数量、每位检查患者的检查时长、每位检查患者对应的惩罚因子和每位患者最晚开始接受检查的时刻，确定每只蚂蚁对应的可行解对应的恶化程度，并将恶化程度最低的可行解作为当前最优解；
s204、将当前最优解与全局最优解的恶化程度进行比较，若当前最优解的恶化程度低于全局最优解的恶化程度，则将全局最优解更新为当前最优解；
s205、对路径信息素浓度进行更新；
s206、判断当前迭代次数是否小于所述最大迭代次数：
若是，则当前迭代次数加1，并返回步骤s202；
否则，将全局最优解作为所述目标函数的最优解。
第三方面，本发明提供一种计算机存储介质，其上存储有计算机程序，在所述计算机程序被处理器执行时可实现上述的方法。
(三)有益效果
本发明实施例提供了一种考虑恶化程度下基于蚁群算法的单机医疗检查调度方法和系统、存储介质，采用以所有检查患者的总恶化程度最小为优化目标的目标函数，而每一检查患者的恶化程度为根据每位患者的惩罚因子、每位患者最晚开始接受检查的时刻和各个检查患者的检查时长而确定，其中惩罚因子为依据患者的病情严重程度而设定，因此本发明采用的目标函数比较合理，通过求解该目标函数得到的患者检查顺序能够降低患者整体因等待而导致病情恶化的影响，同时提高医院医疗服务水平和患者满意度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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示出了本发明一实施例中考虑恶化程度下基于蚁群算法的单机医疗检查调度方法的流程示意图；
图2示出了本发明一实施例中考虑恶化程度下基于蚁群算法的单机医疗检查调度系统的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
第一方面，本发明提供一种考虑恶化程度下基于蚁群算法的单机医疗检查调度方法，如图1所示，该方法包括：
s100、获取单机医疗检查设备的检查患者的数量、每位检查患者的检查时长、每位检查患者对应的惩罚因子和每位患者最晚开始接受检查的时刻；其中，所述惩罚因子为依据对应的检查患者的疾病严重程度而设置；
可理解的是，检查患者的病情越严重，惩罚因子越大。
可理解的是，患者最晚开始接受检查的时刻，为患者的检查期限中最晚的时间点。检查患者j的最晚开始接受检查的时刻可以表示为
s200、采用预设的蚁群算法确定目标函数的最优解，并按照所述最优解对所述单机医疗检查设备的检查患者进行排序；其中，所述目标函数以所有检查患者的总恶化程度最小为优化目标，每位患者的恶化程度根据该患者对应的惩罚因子、该患者最晚开始接受检查的时刻以及各个检查患者的检查时长而设置。
可理解的是，n个检查患者需要在1台医疗检查设备上进行医疗检查，每位检查患者都有一个最晚检查期限，同时根据病情严重程度给定一个惩罚因子。目标函数的设置依赖以下假设：
(1)检查过程中不允许中断，中途不允许停止检查；
(2)不考虑检查设备的恶化效应；
(3)医疗检查设备不发生故障。
其中，所述采用预设的蚁群算法确定目标函数的最优解，包括：
s201、设置所述蚁群算法的初始参数；其中，所述初始参数至少包括蚂蚁的数量、路径信息素浓度的初始值τ0、最大迭代次数和全局最优解的初始值；
可理解的是，蚁群中蚂蚁的数量即种群规模popsize，可以令popsize＞2×n。
可理解的是，路径由相邻的检查患者组成，相邻的检查患者不同或检查前后顺序不同都是不同路径。
实际上，初始参数除了上述参数之外，还可以包括每位患者在所述最优解中第一个检查的初始次数，该初始次数为1。例如，fj＝1,j＝1,2,...,n，fj为检查患者j在最优解中第一个检查的初始次数。
当然，初始参数还可以包括信息素浓度参数δ、启发值参数β、当前迭代次数为1、当前最优解s*的初始值、全局最优解gbest的初始值等。
s202、针对每只蚂蚁，生成各个检查患者的检查顺序，得到对应的可行解；
在实际应用时，步骤s202具体可以通过以下步骤实现，即针对每一只蚂蚁，可以通过以下步骤得到该只蚂蚁的可行解：
s2021、对前n只蚂蚁中的每只蚂蚁，分别指定第一个检查的患者，且前n只蚂蚁中的任意两只蚂蚁对应的第一个检查的患者不相同；其中，n为检查患者的数量；
s2022、根据第一公式计算每位检查患者第一个检查的概率，所述第一公式包括：
式中，pfj为检查患者j第一个检查的概率，fj为检查患者j在所述最优解中第一个检查的当前次数；n为检查患者的数量；
可理解的是，在第一次迭代过程中，由于各个检查患者在最优解中第一个检查的次数均为1，因此每位检查患者第一个检查的概率均相同，为1/n。随着迭代次数的增多，某一个或几个检查患者在最优解中第一个检查的次数增多，其第一个检查的概率也会发生变化。
s2023、根据第二公式计算每位检查患者第一个检查的累计概率，所述第二公式包括：
式中，qfj为检查患者j第一个检查的累计概率；
举例来说，当j为1时，检查患者j第一个检查的累计概率为pf1；当j为2时，检查患者j第一个检查的累计概率为pf1+pf2；当j为3时，检查患者j第一个检查的累计概率为pf1+pf2+pf3。
s2024、针对后(popsize-n)只蚂蚁中的每只蚂蚁，生成一个[0,1]范围内的随机数，并确定大于等于所述随机数的最小累计概率，并将所述最小累计概率对应的检查患者作为该只蚂蚁对应的可行解中第一个检查的患者；其中，popsize为蚂蚁的数量；
举例来说，针对某一只蚂蚁，生成的随机数为rand；若rand≤qf1，则将检查患者1作为该只蚂蚁对应的可行解中第一个检查的患者；若qfk-1≤rand≤qfk，则将检查患者k作为该只蚂蚁对应的可行解中第一个检查的患者。
s2025、针对每一只蚂蚁，根据信息素浓度参数、启发值参数、除了第一个检查患者之外其他检查患者的最晚开始接受检查的时刻、患者之间的信息素浓度，确定第一检查患者与下一位患者可选集中任一检查患者之间的状态转移概率，并根据所述状态转移概率确定所述第一患者之后的下一位检查患者；所述第一患者为已经确定检查顺序的患者；
在步骤s2024中，具体可以采用第三公式计算第k只蚂蚁中检查患者r和检查患者e之间的状态转移概率，所述第三公式包括：
式中，ηre为检查患者r和检查患者e之间的启发值，
举例来说，当根据步骤s2022～s2024确定第k(k是大于n的)只蚂蚁对应的可行解中第一个检查的患者，则根据第三公式计算第一个检查的患者与其他患者形成的下一位患者可选集中每一个检查患者之间的状态转移概率，并选取最大状态转移概率对应的患者作为第k只蚂蚁对应的可行解中的第二个检查的患者。然后根据第三公式第二个检查的患者与除了前两个检查的患者之外的其他患者形成的下一位患者可选集中每一个检查患者之间的状态转移概率，并选取最大状态转移概率对应的患者作为第k只蚂蚁对应的可行解中的第三个检查的患者，依次类推，确定第k只蚂蚁对应的可行解中剩余的n-3个检查患者的检查顺序。
可理解的是，对于每一只蚂蚁，当确定了n个检查患者的检查顺序后，即形成了该只蚂蚁对应的可行解。例如，对第j只蚂蚁构建的可行解为：
s203、根据所述检查患者的数量、每位检查患者的检查时长、每位检查患者对应的惩罚因子和每位患者最晚开始接受检查的时刻，确定每只蚂蚁对应的可行解对应的恶化程度，并将恶化程度最低的可行解作为当前最优解；
在实际应用时，可以通过以下步骤计算每只蚂蚁对应的可行解的恶化程度：
s2031、采用第四公式计算该只蚂蚁对应的可行解中每位患者开始接受检查的时刻，所述第四公式包括：
i＝1,2,...,n，j＝1,2,...,popsize
式中，
举例来说，针对第j只蚂蚁，其第一个检查的患者开始接受检查的时刻为初始时刻，设置为0；当第一个检查的患者完成检查后，第二个检查的患者开始接受检查，因此第二个检查的患者开始接受检查的时刻为初始时刻+第一个检查的患者的检查时长；当第二个检查的患者完成检查后，第三个检查的患者开始接受检查，因此第三个检查的患者开始接受检查的时刻为初始时刻+第一个检查的患者的检查时长+第二个检查的患者的检查时长；依次类推，可以得到第j只蚂蚁对应的可行解中每一个患者开始接受检查的时刻。
s2032、采用第五公式计算该只蚂蚁对应的可行解中每位检查患者的恶化程度，所述第五公式包括：
式中，
从上述第五公式可以看出，当患者开始接受检查的时刻早于患者最晚开始接受检查的时刻，则该患者的恶化程度为0。而当患者开始接受检查的时刻晚于患者最晚开始接收检查的时刻，则说明患者是超期检查，有可能会造成病情的恶化，因此其恶化程度不为0，而是惩罚因子与超期时长的乘积作为该患者的恶化程度。可见，这里恶化程度不仅考虑超期时长，也考虑患者病情的严重程度，比较符合实际。
s2033、将该只蚂蚁对应的可行解中各个检查患者的恶化程度累加，得到该只蚂蚁对应的可行解的恶化程度。
例如，将第k只蚂蚁对应的可行解中各个检查患者的恶化程度求和，便得到在该可行解下所有患者的总恶化程度，也可以称为第k只蚂蚁对应的恶化程度。
在实际应用时，可以采用下式计算第j只蚂蚁对应的可行解的恶化程度wt(sj)：
上式中，
在得到各只蚂蚁对应的可行解的恶化程度后，便可以选择其中恶化程度最低的可行解作为当前最优解。
s203+1、对当前最优解进行变邻域搜索，以寻找当前最优解的邻域中其恶化程度低于当前最优解的恶化程度的蚂蚁编码，并将当前最优解更新为该蚂蚁编码。
可理解的是，所谓的蚂蚁编码是指对当前最优解进行某种变形后得到的解，即可以称为蚂蚁编码，这样可以实现对当前最优解对应的患者检查顺序进行微调。
这里，对当前最优解进行变邻域搜索，从而获得当前最优解在邻域中恶化程度更低的解。
当邻域设置为2个时，步骤s203+1具体可以通过以下步骤实现：
a1、定义邻域结构nk，k为1或2；将k初始为1；
a2、令x＝1、y＝2；若k＝1，则进入步骤a3；若k＝2，则进入步骤a7；
可理解的是，当k＝1时，可以进入邻域结构n1中进行搜索；当k＝2时，可以进入邻域结构n2中进行搜索。
a3、将当前最优解中第x处的数值移到第y处，再将第x+1处至原第y处之间的数值移到第x处至第y-1处，得到一个新的蚂蚁编码；
举例来说，当前最优解为(1，2，3，4，5，6)，x为2，y为5，则新的蚂蚁编码为(1，3，4，5，2，6)。
a4、判断y是否等于检查患者的数量n：
若是，则令y＝x+2；
否则，令y加1，并回步骤a3；
a5、令x加1，并判断x是否小于n：若是，则返回步骤a3；否则，进入步骤a6；
a6、计算所有新生成的蚂蚁编码的恶化程度，判断各个新生成的蚂蚁编码对应的恶化程度中的最低恶化程度是否低于当前最优解的恶化程度：
若是，则将当前最优解更新为所述最低恶化程度对应的蚂蚁编码，并返回步骤a3；
否则，令k为2，并返回步骤a2；
a7、将当前最优解中第x处和第y处的数值交换，得到一个新的蚂蚁编码；
例如，举例来说，当前最优解为(1，2，3，4，5，6)，x为2，y为5，则新的蚂蚁编码为(1，5，3，4，2，6)。
a8：判断y是否等于检查患者的数量n：
若是，则令y＝x+2，进入步骤a9；
否则，令y加1，并返回步骤a7；
a9、令x加1，并判断x是否小于检查患者的数量n：
若是，则返回步骤a7；
否则，进入步骤a10；
a10、计算所有新生成的蚂蚁编码对应的恶化程度，判断各个新生成的蚂蚁编码对应的恶化程度中的最低恶化程度是否低于当前最优解的恶化程度：
若是，则将当前最优解更新为所述最低恶化程度对应的蚂蚁编码，令k为1，并返回步骤a2；
否则，结束变邻域搜索过程。
当在两个邻域结构中均搜索不到恶化程度更低的解时，则结束变邻域搜索过程。
可理解的是，就本发明的基本目的而言，对当前最优解进行变邻域搜索这一步骤并不是必须的，因此在某一些实施例中也可以不包括步骤s203+1这一步骤。
s203+2、将当前最优解中第一个检查的患者在所述最优解中第一个检查的次数加1；
这里是对患者在最优解中第一个检查的次数进行更新，而且仅仅是针对当期最优解中第一个检查的患者进行更新。
当步骤s202中不根据患者在最优解中第一个检查的次数确定蚂蚁可行解中的第一个检查的患者时，初始参数中可以不包括每位患者在最优解中第一个检查的初始次数，而且也不必包含步骤s203+2。
s204、将当前最优解与全局最优解的恶化程度进行比较，若当前最优解的恶化程度低于全局最优解的恶化程度，则将全局最优解更新为当前最优解；
在每一个迭代过程都会产生一个当前最优解，如果当前最优解的恶化程度低于全局最优解的恶化程度，则将全局最优解替换为当前最优解；当然，如果当前最优解的恶化程度高于或者等于全局最优解的恶化程度，因此没有必要对全局最优解进行更新。通过上述过程，可以得到一个从第一次迭代过程到当前迭代过程所产生的最好的解即全局最优解。
s205、对路径信息素浓度进行更新；
由于路径信息素浓度不会总保持不变，因此需要对路径信息素浓度进行更新，但是不同路径的信息素浓度会有不同的变化，因此可以通过以下步骤实现路径信息素浓度的更新：
s2051、采用第六公式对非禁止挥发路径集合中各个路径进行信息素挥发操作，所述第六公式包括：
式中，e'为非禁止挥发路径集合，τij为第i个检查患者和第j个检查患者之间路径的信息素浓度，τi'j为对第i患者和第j个检查患者之间路径的信息素进行挥发操作之后的浓度，ρ为挥发参数且在[0,1]范围内；
在步骤s2051中仅对非禁止挥发路径集合中的路径进行信息素挥发操作，实际上还可以对所有的路径进行信息素挥发操作，然后筛选出其中的禁止挥发路径，然后对禁止挥发路径进行信息素恢复操作，也就是说，针对禁止挥发路径，之前挥发多少，这里就会恢复多少，例如采用下式进行信息素恢复操作：
其中，a为禁止挥发路径集合，通过该公式可以恢复禁止挥发路径的信息素浓度。
s2052、采用第七公式对当前最优解对应的路径进行信息素增加操作，所述第七公式包括：
式中，s*为当前最优解，wt(s*)为当前最优解的恶化程度，e*为当前最优解对应的路径集合，τ*ij为e*中第i个检查患者和第j个检查患者之间路径的信息素浓度，τ**ij为对e*中第i个检查患者和第j个检查患者之间路径的信息素进行增加操作之后的浓度，θ为正的常数；
这里对当前最优解中的路径进行信息素增加操作，可以使当前最优解中的路径的信息素浓度增大。
s3053、筛选出所有路径之间的信息素浓度中的最低浓度值，并将
这里，可以对所有路径之间的信息素浓度进行排序，从而得到其中的最低浓度值。
可理解的是，
s3054、判断禁止挥发路径集合中是否存在其信息素浓度大于所述解禁浓度的路径，若存在，将其信息素浓度大于所述解禁浓度的路径从所述禁止挥发路径集合中移出；
也就是说，当禁止挥发路径集合中路径的信息素浓度大于解禁浓度时，将其从禁止挥发路径集合中移出，成为非禁止挥发路径。
s3055、判断所述当前最优解对应的蚂蚁个数是否大于
若是，则采用第八公式对当前最优解对应的路径的信息素浓度进行负反馈调节，清空禁止挥发路径集合，并将当前最优解对应的路径添加到所述禁止挥发路径集合中；所述第八公式包括：
式中，τ***ij为对τ**ij进行负反馈调节后的信息素浓度，τmin为最低浓度值；
否则，结束路径信息素浓度的更新过程。
可理解的是，当收敛之后，大部分的蚂蚁对应的可行解均为当前最优解，仅有少部分蚂蚁对应的可行解不是当前最优解。这里当前就最优解对应的蚂蚁个数就是在当前最优解收敛的蚂蚁的个数。
也就是说，当在当前最优解处收敛的蚂蚁的个数超过一定的数量，则对当前最优解的路径信息素浓度进行降低，清空禁止挥发路径集合，并将当前最优解对应的路径添加到禁止挥发路径集合中。
可理解的是，一般的蚁群算法很容易陷入局部最优的问题，但是本发明提供的蚁群算法设计了信息素负反馈调节机制，不仅有效地提高了算法的收敛速度和解的多样性，也在一定程度上加强了算法末期的局部收敛能力。本发明提供的蚁群算法在收敛速度和收敛结果上，是一种效率很高的算法，通过该算法，解决了医疗检查调度问题，降低了病人因检查顺序不合理导致病情恶化的影响，提高了医院整体治疗效果。
s206、判断当前迭代次数是否小于所述最大迭代次数：
若是，则当前迭代次数加1，并返回步骤s202；
否则，将全局最优解作为所述目标函数的最优解。
本发明提供的排序方法，采用以所有检查患者的总恶化程度最小为优化目标的目标函数，而每一检查患者的恶化程度为根据每位患者的惩罚因子、每位患者最晚开始接受检查的时刻和各个检查患者的检查时长而确定，其中惩罚因子为依据患者的病情严重程度而设定，因此本发明采用的目标函数比较合理，通过求解该目标函数得到的患者检查顺序能够降低患者整体因等待而导致病情恶化的影响，同时提高医院医疗服务水平和患者满意度。
第二方面，本发明提供一种考虑恶化程度下基于蚁群算法的单机医疗检查调度系统，如图2所示，该系统包括：
获取模块，用于执行s100、获取单机医疗检查设备的检查患者的数量、每位检查患者的检查时长、每位检查患者对应的惩罚因子和每位患者最晚开始接受检查的时刻；其中，所述惩罚因子为依据对应的检查患者的疾病严重程度而设置；
求解模块，用于执行s200、采用预设的蚁群算法确定目标函数的最优解，并按照所述最优解对所述单机医疗检查设备的检查患者进行排序；其中，所述目标函数以所有检查患者的总恶化程度最小为优化目标，每位患者的恶化程度根据该患者对应的惩罚因子、该患者最晚开始接受检查的时刻以及各个检查患者的检查时长而设置；
其中，所述采用预设的蚁群算法确定目标函数的最优解，包括：
s201、设置所述蚁群算法的初始参数；其中，所述初始参数至少包括蚂蚁的数量、路径信息素浓度的初始值、最大迭代次数和全局最优解的初始值；
s202、针对每只蚂蚁，生成各个检查患者的检查顺序，得到对应的可行解；
s203、根据所述检查患者的数量、每位检查患者的检查时长、每位检查患者对应的惩罚因子和每位患者最晚开始接受检查的时刻，确定每只蚂蚁对应的可行解对应的恶化程度，并将恶化程度最低的可行解作为当前最优解；
s204、将当前最优解与全局最优解的恶化程度进行比较，若当前最优解的恶化程度低于全局最优解的恶化程度，则将全局最优解更新为当前最优解；
s205、对路径信息素浓度进行更新；
s206、判断当前迭代次数是否小于所述最大迭代次数：
若是，则当前迭代次数加1，并返回步骤s202；
否则，将全局最优解作为所述目标函数的最优解。
在一些实施例中，所述求解模块在将当前最优解与全局最优解的恶化程度进行比较之前，还可以对当前最优解进行变邻域搜索，以寻找当前最优解的邻域中其恶化程度低于当前最优解的恶化程度的蚂蚁编码，并将当前最优解更新为该蚂蚁编码。
可理解的是，本发明提供的排序系统与上述排序方法相对应，其有关内容的解释、举例、具体实施方式、有益效果等内容可以参考上述排序方法中的相关内容，这里不再赘述。
第三方面，本发明提供一种计算机存储介质，其上存储有计算机程序，在所述计算机存程序被处理器执行时可实现第一方面所提供的方法。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。