门诊患者的医疗服务调度方法、系统和存储介质与流程

本发明涉及医疗调度技术领域，具体涉及一种门诊患者的医疗服务调度方法、系统和存储介质。

背景技术：

门诊患者的医疗服务调度问题，是指将提前预约门诊或门诊手术的患者分配到不同的医疗服务上，并且安排各个患者在不同医疗服务上的顺序的问题。合理的医疗服务调度方案对提高医院运作效率、提高患者和医护人员的满意度有着重要的意义。

技术实现要素：

(一)解决的技术问题

本发明提供了一种门诊患者的医疗服务调度方法、系统和存储介质，能够解决患者的医疗服务调度问题，节约医疗资源、提升就医效率以及提高患者满意度。

(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，本发明提供一种门诊患者的医疗服务调度方法，包括：

s100、设置算法参数，所述算法参数包括最大迭代次数和初始的概率分布模型；

s200、根据当前的概率分布模型，生成一种群；该种群包括多条染色体，每一条染色体对应一个解，该解包括所述同一预约时段内的各个患者的医疗服务调度数据，所述医疗调度数据包括各项医疗服务所分配的患者和为所分配患者服务的顺序；

s300、计算所述种群中每一条染色体的适应度值，并按照预设比例从所述种群中选择出适应度值最高的染色体作为优势解和适应度值最低的染色体作为劣势解；

s400、对所述优势解进行邻域搜索，得到精英解；对所述劣势解进行邻域搜索，得到非精英解；根据所述精英解和所述非精英解对所述概率分布模型进行更新；

s500、判断当前迭代次数是否达到所述最大迭代次数：

若是，则将最后一次迭代过程中最优的精英解作为全局最优解并输出；

否则，将当前迭代次数加1，并返回s200。

第二方面，本发明提供一种门诊患者的医疗服务调度系统，包括：

参数设置模块，用于执行s100、设置算法参数，所述算法参数包括最大迭代次数和初始的概率分布模型；

种群生成模块，用于执行s200、根据当前的概率分布模型，生成一种群；该种群包括多条染色体，每一条染色体对应一个解，该解包括所述同一预约时段内的各个患者的医疗服务调度数据，所述医疗调度数据包括各项医疗服务所分配的患者和为所分配患者服务的顺序；

优劣解获取模块，用于执行s300、计算所述种群中每一条染色体的适应度值，并按照预设比例从所述种群中选择出适应度值最高的染色体作为优势解和适应度值最低的染色体作为劣势解；

模型更新模块，用于执行s400、对所述优势解进行邻域搜索，得到精英解；对所述劣势解进行邻域搜索，得到非精英解；根据所述精英解和所述非精英解对所述概率分布模型进行更新；

判断模块，用于执行s500、判断当前迭代次数是否达到所述最大迭代次数：若是，则将最后一次迭代过程中最优的精英解作为全局最优解并输出；否则，将当前迭代次数加1，并返回种群生成模块中执行s200。

第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时可实现以上医疗服务调度方法。

(三)有益效果

本发明实施例提供的门诊患者的医疗服务调度方法、系统和存储介质，首先确定各个医生下患者的问诊顺序，然后将患者分配到问诊服务之后的医疗服务上，并安排顺序。根据初始的概率分布模型，随机产生初始的种群。从初始的种群中挑选最好的几个可行解作为优势解，最差的几个可行解作为劣势解，运用邻域搜索进一步确定精英解和非精英解，通过模仿学习精英解和远离非精英解，对概率分布模型进行更新，再根据更新后的概率分布模型生成新的种群，重新执行上述过程。以此类推，通过这种迭代的方式，向最可能出现理想解的方向搜索，最后获得全局最优解。这种方式避免了编码过长导致的迭代缓慢、方向难以确定的问题，通过向优势解学习和吸取劣势解的经验来快速确定最可能出现理想解的方向，并且进行邻域搜索，避免陷入局部最优。本发明提供的方法在收敛速度、稳定性和解的质量等方面均表现出了良好的性能，通过本发明能够很好地解决患者就医路径调度问题，节约了医疗资源、提升了就医效率以及提高了患者满意度。

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医疗服务调度方法的流程示意图。

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，本发明提供一种门诊患者的医疗服务调度方法，该方法尤其适用于眼科患者的医疗调度，且该方法可由计算机设备执行。

如图1所示，该医疗服务调度方法包括如下步骤：

s100、设置算法参数，所述算法参数包括最大迭代次数和初始的概率分布模型；

当然，算法参数还不限于最大迭代次数和初始的概率分布模型，算法参数还可以包括在同一预约时段内各个患者的预约医生、各个患者分别对应的医疗服务路径、每一项医疗服务能同时接纳的患者数量、每一项医疗服务所对应的时长分布函数、种群的规模即种群中包含的染色体的个数、初始的迭代次数为1等。

可理解的是，这里的时段，例如2018年10月10日上午为一个时段。

其中，所述医疗服务路径包括初次问诊服务、检查服务、二次问诊服务、治疗服务和手术服务中的至少一种服务或者至少两种服务的组合；例如，将初次问诊服务的编号设置为1，检查服务的编号设置为2，二次问诊服务的编号设置为3，治疗服务的编号设置为4，手术服务的编号设置为5，各个医疗服务路径大致包括：1；1-4；1-2-3；1-2-3-4；1-2-3-5；1-5。

可理解的是，即便针对相同的医疗服务，不同的患者所需的时间也是不同的，例如，初次问诊，有的患者需要5分钟，而有的患者需要20分钟。针对同一医疗服务，各个患者所需的时间符合特定的分布，可以用时长分布函数表示。因此可以利用时长分布函数确定每一位患者在每一项医疗服务上所需的时间。

可理解的是，根据患者在预约时所描述的情况，可以确定患者的医疗服务路径。因此各个患者的医疗服务路径也是可以在执行本方法之前提前预知的。

可理解的是，根据所设置的种群规模，可以确定在步骤s200中生成的种群中包含的染色体的个数。

s200、根据当前的概率分布模型，生成一种群；该种群包括多条染色体，每一条染色体对应一个解，该解包括所述同一预约时段内的各个患者的医疗服务调度数据，所述医疗服务调度数据包括各项医疗服务所分配的患者和为所分配患者服务的顺序；

其中，种群中每一染色体对应的解表示为一编码矩阵，所述编码矩阵中a行问诊服务调度数据、b行检查服务调度数据、c行治疗服务调度数据和d行手术服务调度数据；a为预设医生的数量，b为检查设备的数量，c为治疗设备的数量，d为手术室的数量；每一行问诊服务调度数据表征对应医生下各个患者的问诊顺序；每一行检查服务调度数据表征对应检查设备下各个患者的检查顺序；每一行治疗服务调度数据表征对应治疗设备下各个患者的治疗顺序；每一手术服务调度数据表征对应手术室下各个患者的手术顺序；每一行调度数据中的元素的个位数为所在行对应的医疗服务对应的编号；其余位的数据为患者的编号。

举例来说，有3个医生、2个检查设备、1个治疗设备、2个手术室，也就是说，a为3，b为2，c为1，d为2，在某时段有6个患者，生成的种群中的一个染色体对应的解的编码矩阵如下：

其中，每个元素的个位数表示患者的医疗服务对应的编号，十位数表示患者的编号，例如，21表示进行初次问诊服务的患者2。

在该编码矩阵中，前三行分别为三个医生下患者的问诊顺序，例如，第一个元素21表示第一个医生下患者2第一个进行问诊服务(初次问诊服务)，33表示第二个医生下患者3为第三个进行问诊服务(二次问诊服务)；第四行和第五行为两个检查设备下患者的检查顺序，例如，52为第一台检查设备上患者5第二个进行检查服务，42为第二台检查设备上患者4第一个进行检查服务；第六行为治疗设备下患者的治疗顺序，例如，44为该治疗设备下患者4第二个进行治疗服务；第七行和第八行为两个手术室下患者的手术顺序，例如，62为第二个手术室内患者6第1个进行手术服务。

可见，从以上编码矩阵中可以得到各个患者在其医疗服务路径的各项医疗服务中的排序，一个编码矩阵表示一种医疗服务调度方案。

从以上内容可知，每位患者都需要提前和医生预约问诊，而且在预约时段的最开始到达，因此同一预约时段的患者是成批到达的；预约医生的数量已知；每个预约时段的每个医生的患者已知；每个患者的医疗服务路径已知；每个医疗服务路径都需要按照确定的医疗服务顺序进行；当上一个医疗服务没有结束时，下一个医疗服务不能开始；患者在接受一项医疗服务时不可中断；各个医疗服务可以看作多个并行机。更重要的是，以上方案需基于以下假设：第一，每位患者的第一阶段都是初次问诊服务；第二，如果患者需要二次问诊，那么患者的二次问诊医生和初次问诊医生是同一个人；第三，患者的检查服务和二次问诊服务是绑定的，即需要检查的患者必须进行二次问诊，因为患者需要将检查结果交给医生进行再次咨询。第四，计算适应度值时不考虑休息时间。

s300、计算所述种群中每一条染色体的适应度值，并按照预设比例从所述种群中选择出适应度值最高的染色体作为优势解和适应度值最低的染色体作为劣势解；

其中，每一染色体的适应度值可以为该染色体对应解中各项医疗服务的最终完成时间中的最大值的倒数，该最大值可以成为最大完成时间。适应度值越大，最大完成时间越小，表示在该解下各项医疗服务的最终完成时间之间的跨度越小，该解越具有优势。

当适应度值为最大完成时间时，每一条染色体的适应度值的计算过程可以包括如下过程：

s301、根据每一项医疗服务所对应的时长分布函数，确定每一位患者在其医疗服务路径中的各项医疗服务的所需时间；

s302、根据所述编码矩阵中每一行问诊服务调度数据和各位患者的初诊服务的所需时间，计算每一位医生的每一位患者的初诊结束时间；

举例来说，假设上述编码矩阵中的6个患者的问诊时间均为10min，检查时间为30min，治疗时间为20min，手术时间为5min。第一行数据中21的初诊结束时间为10，11的初诊结束时间为20。

在实际中，由于一个医生不光进行初次问诊，也进行二次问诊，因此在计算过程中，若元素的医疗服务编号为二次问诊服务对应的编号，则暂停计算对应医生下其余患者的初诊结束时间，并计算下一位医生下各位患者的初诊结束时间，直至所有医生下所有患者的初诊结束时间计算完成。

例如，针对第二行数据，41的初诊结束时间为10，31的初诊结束时间为20，当遇到33时，由于33的个位数表示的医疗服务编号为3，可知33需要进行二次问诊，此时暂停计算第2个医生下其余患者的初诊结束时间，并计算第3个医生下各个患者的初诊结束时间，在第3行数据中，51的初诊结束时间为10，61的初诊结束时间为20，当遇到53时，暂停计算第3个医生的其余患者的初诊结束时间。

s303、在所述编码矩阵的各行检查服务调度数据中从左至右搜索一检查服务的患者编号，若该患者编号未出现在各行检查服务调度数据中，则跳到s305；否则，获取对应检查设备上前一位患者的检查结束时间；若前一位患者的检查结束时间晚于该患者编号对应患者的初诊结束时间，则将前一位患者的检查结束时间与该患者编号对应患者的检查时间之和作为该患者编号对应患者的检查结束时间；若前一位患者的检查结束时间早于或等于该患者编号对应患者的初诊结束时间，则将该患者编号对应患者的初诊结束时间与该患者编号对应患者的检查时间之和作为该患者编号对应患者的检查结束时间；

在实际应用中，若前一位患者的检查结束时间和/或该患者编号对应患者的初诊结束时间未知，则暂停计算该患者编号对应患者的检查结束时间，并计算下一位患者的检查结束时间，直至所有检查设备下所有患者的检查结束时间计算完成。

其中，在第一个检查设备上患者3第一个进行检查服务，因此第一个检查设备上患者3的开始检查时间为患者3的初诊结束时间。

s304、在所述编码矩阵的各行问诊服务调度数据中从左至右搜索二次问诊服务的患者编号，若前一位患者的问诊时间晚于该患者编号对应患者的检查结束时间，则将前一位患者的问诊结束时间与该患者编号对应患者的二次问诊时长之和作为该患者编号对应患者的二次问诊结束时间；

若前一位患者的问诊结束时间未知，则暂停计算该患者编号对应患者的二次问诊时间，并计算下一位患者的二次问诊结束时间，直至所有需要二次问诊的患者的二次问诊结束时间计算完成；

s305、在所述编码矩阵的各行治疗服务调度数据中从左至右搜索一治疗服务的患者编号，若该患者编号未出现在各行治疗服务调度数据中，则跳到s306；否则，获取对应治疗设备上前一位患者的治疗结束时间，若前一位患者的治疗结束时间晚于该患者编号对应患者的最终问诊结束时间，则用前一位患者的治疗结束时间与该患者编号对应患者的治疗所需时间之和作为该患者编号对应患者的治疗结束时间；若前一位患者的治疗结束时间早于或等于该患者编号对应患者的最终问诊结束时间，则用该患者编号对应患者的最终问诊时间与治疗所需时间之和作为该患者编号对应患者的治疗结束时间。

可理解的是，若患者只有初诊没有二次问诊，最终问诊结束时间为初诊结束时间，若患者有二次问诊，最终问诊结束时间为二次问诊结束时间。

在实际应用中，若前一位患者的治疗结束时间和/或该患者编号对应患者的最终问诊时间未知，则暂停计算该患者编号对应患者的治疗结束时间，并计算下一位患者的治疗结束时间，直至所有治疗设备下所有患者的治疗结束时间计算完成。

其中，在治疗设备上患者2第一个进行治疗服务，即患者2的开始治疗时间为患者2的初次问诊结束时间。

s306、在所述编码矩阵的各行手术服务调度数据中从左至右搜索一手术服务的患者编号，若该患者编号未出现在各行手术服务调度数据，则输出该患者编号对应患者的各项医疗服务的结束时间；否则，获取对应手术室中前一位患者的手术结束时间，若前一位患者的手术结束时间晚于该患者编号对应患者的最终问诊时间，则将前一位患者的手术结束时间与该患者编号对应患者的手术所需时间之和作为该患者编号对应患者的手术结束时间；若前一位患者的手术结束时间早于或等于该患者编号对应患者的最终问诊时间，则将该患者编号对应患者的最终问诊时间与该患者编号对应患者的手术所需时间之和作为该患者编号对应患者的手术结束时间，并计算下一位患者的手术结束时间，直至所有手术室下所有患者的手术结束时间计算完成。

其中，在第二个手术室中患者6第一个进行手术服务，则患者6的手术开始时间为患者6的初诊结束时间。

举例来说，针对患者1，第4行和第5行中没有患者1，则跳到步骤s305，由于第6行中也没有患者1，则跳到步骤s306，由于第7行和第8行也没有患者1，则输出患者1在第一个医生上的初诊结束时间20。针对患者2，第4行和第5行中没有患者2，则跳到步骤s305，计算患者2的治疗结束时间：10+20＝30，第7行和第8行没有患者2，则输出患者2在第一个医生上的初诊结束时间10和在治疗设备上的治疗结束时间30。同理，针对患者3，患者3在第二个医生上的初诊结束时间为20，在第一个检查设备上的检查结束时间为20+30＝50，二次问诊结束时间为50+10＝60。针对患者4，初诊结束时间为10，在第二个检查设备上的检查结束时间为10+30＝40，由于患者4的检查结束时间40早于患者3的二次问诊结束时间60，则患者4的二次问诊结束时间为60+10＝70，由于患者2的治疗结束时间20早于患者4的二次问诊结束时间70，因此患者4的治疗结束时间为70+20＝90。针对患者5，初诊结束时间为10，患者3的检查结束时间50晚于患者5的初诊结束时间10，因此患者5的检查结束时间为50+30＝80，由于患者5的检查结束时间80晚于患者6的初诊结束时间20，则患者5的二次问诊结束时间为80+10＝90，患者5的手术结束时间为90+5＝95。针对患者6，初诊结束时间为20，手术结束时间为20+5＝25。

s307、根据每一位医生上各个患者的问诊结束时间，确定该位医生的最后一位患者的最终问诊结束时间；根据每一检查设备上各个患者的检查治疗时间，确定该检查设备上最后一位患者的检查治疗时间；根据每一治疗设备上各个患者的治疗结束时间，确定该治疗设备上最后一个患者的治疗结束时间；根据每一个手术室中各个患者的手术结束时间，确定该手术室中最后一个患者的手术结束时间；

举例来说，第一位医生的最后一个患者的最终问诊结束时间为20，第二个医生的最后一个患者的最终问诊结束时间为70，第三个医生的最后一个医生的最终问诊时间为90；第一个检查设备上最后一个患者的检查结束时间为80，第二个检查设备上最后一个患者的检查结束时间为40；治疗设备的最后一个患者的治疗结束时间为90，第一个手术室的手术结束时间为95，第二个手术室的手术结束时间为25。

s308、将各位医生最后一位患者的最终问诊结束时间、各个检查设备上最后一位患者的检查结束时间、各个治疗设备上最后一位患者的治疗结束时间和各个手术室中最后一位患者的手术结束时间中的最大值作的倒数为该染色体的适应度值。

举例来说，各个医疗服务中完成时间为(20，70，90，80，40，90，95，25)，可见其中的最大值为95，故该染色体的适应度值为1/95。

可见，通过上述步骤s301～s308，可以计算出种群中各个染色体分别对应的适应度值。

步骤s300中的预设比例k(例如，0<k<0.33)可以根据需要设置，例如10％，假设种群中染色体的个数为100，则根据预设比例可以选择出适应度值最高的10条染色体和适应度最低的10条染色体，其中10条适应度值最高的染色体为优势解，10条适应度值最低的染色体为劣势解。

s400、对所述优势解进行邻域搜索，得到精英解；对所述劣势解进行邻域搜索，得到非精英解；根据所述精英解和所述非精英解对所述概率分布模型进行更新；

可理解的是，精英解和优势解是一一对应的，每一个精英解是由对应的优势解经过vns算法产生的；同样，非精英解和劣势解也是一一对应的，每一个非精英解是由对应的劣势解经过vns算法产生的。

在得到精英解和非精英解后，通过根据精英解和非精英解对概率分布模型进行更新以实现对精英解的模仿学习以及对非精英解的远离，使得根据更新后的概率分布模型生成的种群中的染色体的适应度值更高，对应的解更具优势。

可理解的是，依据初始的概率分布模型，每一条染色体的每个位置的每个值的选择概率为p＝1/n，其中n为同一预约时段中该位置对应的医疗服务的患者的数量。也就是说，任一患者出现在编码矩阵的第i行第j列的概率为1/n。

然而，根据所述精英解和所述非精英解对当前的概率分布模型进行更新的过程可以包括以下步骤：

s401、根据每一位患者出现在所述编码矩阵中每个位置的精英解数量和非精英解数量，计算该位患者在所述编码矩阵中该位置的概率；

实际应用中，可以通过下式计算第u个患者出现在编码矩阵的第i行第j列的概率为：

pu＝1/n+[(m1u-m2u)/m]α

式中，pu为第u个患者出现在编码矩阵的第i行第j列的概率，n为第i行对应的医疗服务的患者数量，m1u为第u个患者出现在汇编矩阵的第i行第j列的精英解数量，m2u为第u个患者出现在汇编矩阵的第i行第j列的非精英解数量，2m为精英解和非精英解的总数量，精英解和非精英解的数量各为m，α为大于0且小于1的常数。其中，α为学习率，可以理解为对解的接受率。接受率高就说明精英解和非精英解的情况对概率的影响大，接受率低就说明精英解和非精英解的情况对概率的影响小。

例如，编码矩阵的第一行为第一个医生的患者，该医生的患者数量为n，则第一行第一列为第一个医生的第一位患者，根据初始的概率分布模型，该位置的患者可以为任意一个患者，因此每一位患者的初始概率均为1/n。由于精英解和非精英解的总数为2m，患者1出现在第一行第一列的精英解的数量为m11，患者1出现在第一行第一列的非精英解的数量为m21，则更新后患者1出现在第一行第一列的概率为：

p1＝1/n+[(m11-m21)/m]α。

因此，可以通过上式计算每一个患者出现在编码矩阵的每一个位置的概率，进而得知染色体的每一个位置对每一个取值的选择概率。

s402、根据各个患者在所述编码矩阵中各个位置的概率，对所述概率分布模型进行更新。

可理解的是，对概率分布模型更新的过程，就是对模型中参数进行更新的过程，以使通过更新后的概率分布模型计算得到的概率与步骤s401中计算的概率一致。

s500、判断当前迭代次数是否达到所述最大迭代次数：

若是，则将最后一次迭代过程中最优的精英解作为全局最优解并输出；

否则，将当前迭代次数加1，并返回s200。

可理解的是，解优劣的参考标准是适应度值，适应度值越高，解越优质，因此最优的精英解是适应度值最高的精英解。

可理解的是，本发明的目标是将每一个医生的患者进行排序，并将各个患者分配到不同的服务资源上并排序，以最小化所有医疗服务项目的结束时间之间的跨度。

本发明非常适合眼科门诊流转快、步骤多的特点。

本发明提供的方法，首先确定各个医生下患者的问诊顺序，然后将患者分配到问诊服务之后的医疗服务上，并安排顺序。根据初始的概率分布模型，随机产生初始的种群。从初始的种群中挑选最好的几个可行解作为优势解，最差的几个可行解作为劣势解，运用邻域搜索进一步确定精英解和非精英解，通过模仿学习精英解和远离非精英解，对概率分布模型进行更新，再根据更新后的概率分布模型生成新的种群，重新执行上述过程。以此类推，通过这种迭代的方式，向最可能出现理想解的方向搜索，最后获得全局最优解。这种方式避免了编码过长导致的迭代缓慢、方向难以确定的问题，通过向优势解学习和吸取劣势解的经验来快速确定最可能出现理想解的方向，并且进行邻域搜索，避免陷入局部最优。本发明提供的方法在收敛速度、稳定性和解的质量等方面均表现出了良好的性能，通过本发明能够很好地解决患者就医路径调度问题，节约了医疗资源、提升了就医效率以及提高了患者满意度。

另外，本发明考虑了就诊过程中实际情况，尤其是计算适应度值的过程，根据实际情况对适应度值的计算过程进行限制，使得本发明提供的调度方法更加符合实际情况。再者，考虑到患者由于预约医生，因此在问诊阶段是有指定的医生，而在其他的阶段没有指定医疗服务设备，因此采用了分配+排序的方式进行编码，对于适应度值的计算非常方便。

第二方面，本发明提供一种门诊患者的医疗服务调度系统，该系统包括：

参数设置模块，用于执行s100、设置算法参数，所述算法参数包括最大迭代次数和初始的概率分布模型；

种群生成模块，用于执行s200、根据当前的概率分布模型，生成一种群；该种群包括多条染色体，每一条染色体对应一个解，该解包括所述同一预约时段内的各个患者的医疗服务调度数据，所述医疗调度数据包括各项医疗服务所分配的患者和为所分配患者服务的顺序；

优劣解获取模块，用于执行s300、计算所述种群中每一条染色体的适应度值，并按照预设比例从所述种群中选择出适应度值最高的染色体作为优势解和适应度值最低的染色体作为劣势解；

模型更新模块，用于执行s400、对所述优势解进行邻域搜索，得到精英解；对所述劣势解进行邻域搜索，得到非精英解；根据所述精英解和所述非精英解对所述概率分布模型进行更新；

判断模块，用于执行s500、判断当前迭代次数是否达到所述最大迭代次数：若是，则将最后一次迭代过程中最优的精英解作为全局最优解并输出；否则，将当前迭代次数加1，并返回种群生成模块中执行s200。

第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时可实现以上医疗服务调度方法。

可理解的是，第二方面和第三方面中提供的系统和存储介质，其有关内容可以参考第一方面中的相应部分，此处不在赘述。

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。