一种任务调度方法及设备与流程

本发明涉及计算机
技术领域：
，尤其涉及一种任务调度方法及设备。
背景技术：
：近年来，随着云计算技术的高速发展，云计算平台中的任务调度成为云计算应用的研究热点之一，任务调度是指根据任务的各种需求，通过采用适当策略把不同的任务分配到云计算平台中合适的资源节点上执行。云计算平台中不同的计算资源的使用成本不同，通常处理能力强的计算资源的使用成本要较高，然而，目前大部分云计算平台的任务调度方案仅仅将缩短任务的完成时间作为研究重点，不利于云计算平台的性能提升，所以，如何选择最优的任务与计算资源之间的调度方案是目前急需解决的问题。技术实现要素：本发明实施例提供一种任务调度方法及设备，能够实现选择最优的任务与计算资源之间的调度方案的目的。第一方面，本发明实施例提供的一种任务调度方法，包括：根据待处理的多个任务以及用于处理任务的多个处理节点，生成将任务调度到处理节点进行处理的任务与处理节点组合的初始种群；根据当前进化代数以及最大进化代数，构建用于控制所述初始种群交叉变异的输入因子，根据任务在处理节点进行处理的所需时间以及开销，构建用于计算任务与处理节点组合的适应度的适应度函数；根据所述输入因子以及所述适应度函数生成新的差分进化算法；通过所述新的差分进化算法对所述初始种群进行优化，获得任务与处理节点的最优组合的集合，所述最优组合表征将组合中的任务调度到组合中处理节点进行处理所需时间以及开销最优。采用本发明实施例提供的上述任务调度方法，可以先根据当前进化代数以及最大进化代数，构建用于控制所述初始种群交叉变异的输入因子，以及根据任务在处理节点进行处理的所需时间以及开销，构建用于计算任务与处理节点组合的适应度的适应度函数，然后利用构建的输入因子及适应度函数生成新的差分进化算法，进而使用新的差分进化算法对所述初始种群进行优化，获得将任务调度到处理节点进行处理所需时间以及开销的最优任务与处理节点组合，所以能够兼顾处理节点处理任务的时间以及开销，实现选择最优的任务与计算资源之间的调度方案的目的，以及提升任务处理平台的性能。可选的，所述输入因子包括交叉因子，所述根据当前进化代数以及最大进化代数，构建用于控制所述初始种群交叉变异的输入因子，具体为：根据当前进化代数t以及最大进化代数t，构建交叉因子cr：cr＝crmin+(crmax-crmin)(t/t)2；其中，crmin为预设的交叉因子最小值，crmax为预设的交叉因子最大值。上述可选的方式描述了构建的交叉因子cr，在进化初期，cr的值较小，越有利于保持种群多样性和全局搜索能力；随着进化代数的增加也即迭代次数增加，交叉因子cr不断增大，能够增加收敛速度，所以，具有在加快收敛速度的同时保证搜索到全局最优解的概率的有益效果，进而能够进一步提升选择到最优的任务与计算资源之间的调度方案的概率，以及提升任务处理平台的性能。可选的，所述输入因子包括缩放因子，所述根据当前进化代数以及最大进化代数，构建用于控制所述初始种群交叉变异的输入因子，具体为：根据所述当前进化代数t以及所述最大进化代数t，构建缩放因子f：λ＝e1-t/(t+1-t)；f＝f0*2λ；其中，f0为预设的缩放因子初始值，λ为进化代数因子。上述可选的方式描述构建的交叉因子缩放因子f，在进化初期，f具有较大值，较大的缩放因子f能够在全局进行搜索，进而使得种群在初期可以保持个体多样性，避免早熟；随着迭代次数的增加也即在进化后期，f的值不断减小，有利于保留解的优良信息，所以，具有进一步的增加搜索到全局最优解的概率，并且还能加快算法的收敛速度，提高了算法的效率的效果。可选的，所述通过所述新的差分进化算法对所述初始种群进行优化，获得任务与处理节点的最优组合的集合，包括：通过所述新的差分进化算法对所述初始种群进行优化，且在每次优化过程中均执行以下操作，直到达到最大进化代数t获得最优的目标种群，其中，所述最优的目标种群即为任务与处理节点的最优组合的集合：获取当次优化过程中根据所述交叉因子cr生成的所有子代个体，将所述所有子代个体加入到当次优化过程中的新生个体集合；计算所述新生个体集合中每个个体的适应度以及上一代种群中每个个体的适应度，并根据所述缩放因子f对所述新生个体集合以及上一代种群进行收缩，获得由适应度靠前的预设个数的个体构成的下一代种群。上述可选的方式描述了将每次进化也即迭代过程生成的所有子代个体加入到每次进化的新生个体集合中参与于上一代种群的竞争，进而选出每次进化的下一代种群，所以，具有能够保持种群多样性的优点，进而也进一步的提升了搜索到全局最优解的概率。第二方面，提供了一种任务调度设备，包括：种群生成单元，用于根据待处理的多个任务以及用于处理任务的多个处理节点，生成将任务调度到处理节点进行处理的任务与处理节点组合的初始种群；构建单元，用于根据当前进化代数以及最大进化代数，构建用于控制所述初始种群交叉变异的输入因子，根据任务在处理节点进行处理的所需时间以及开销，构建用于计算任务与处理节点组合的适应度的适应度函数，根据所述输入因子以及所述适应度函数生成新的差分进化算法；优化单元，用于通过所述新的差分进化算法对所述初始种群进行优化，获得任务与处理节点的最优组合的集合所述最优组合表征将组合中的任务调度到组合中处理节点进行处理所需时间以及开销最优。可选的，所述输入因子包括交叉因子，所述构建单元还用于：根据所述当前进化代数t以及最大进化代数t，构建交叉因子cr：cr＝crmin+(crmax-crmin)(t/t)2；其中，crmin为预设的交叉因子最小值，crmax为预设的交叉因子最大值。可选的，所述输入因子包括缩放因子，所述构建单元还用于：根据所述当前进化代数t以及最大进化代数t，构建缩放因子f：λ＝e1-t/(t+1-t)；f＝f0*2λ；其中，f0为预设的缩放因子初始值，λ为进化代数因子。可选的，所述优化单元还用于：通过所述新的差分进化算法对所述初始种群进行优化，且在每次优化过程中均执行以下操作，直到达到最大进化代数t获得最优的目标种群，其中，所述最优的目标种群即为任务与处理节点的最优组合的集合：获取当次优化过程中根据所述交叉因子cr生成的所有子代个体，将所述所有子代个体加入到当次优化过程中的新生个体集合；计算所述新生个体集合中每个个体的适应度以及上一代种群中每个个体的适应度，并根据所述缩放因子f对所述新生个体集合以及上一代种群进行收缩，获得由适应度靠前的预设个数的个体构成的下一代种群。本申请提供的任务调度设备的技术效果可以参见上述第一方面的各个实现方式的技术效果，此处不再赘述。第三方面，提供一种设备，包括：至少一个处理器，以及与所述至少一个处理器连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令，执行如第一方面所述的方法。第四方面，提供一种计算机可读存储介质：本发明实施例提供的一种任务调度方法，可以根据当前进化代数以及最大进化代数，构建新的差分进化算法的输入因子，以及根据任务在处理节点进行处理的所需时间以及开销，构建新的差分进化算法的适应度函数，进而通过使用新的差分进化算法进行优化，获得将任务调度到处理节点进行处理所需时间以及开销的最优任务与处理节点组合，所以能够兼顾处理节点处理任务的时间以及开销，实现选择最优的任务与计算资源之间的调度方案的目的，以及提升任务处理平台的性能。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。图1为本发明实施例提供的一种任务调度方法的流程图；图2为本发明实施例提供的一种任务调度设备的结构示意图；图3为本发明实施例提供的另一种设备的结构示意图。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技术方案的一部分实施例，而不是全部的实施例。基于本申请文件中记载的实施例，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，都属于本发明技术方案保护的范围。互联网技术的高速发展，带动了云计算技术的发展，作为云计算平台中的研究热点之一的任务调度是指：根据任务的各种需求，通过采用适当策略把不同的任务分配到云中合适的资源节点上执行。云计算平台中不同的计算资源的使用成本不同，通常，处理能力强的计算资源的使用成本较高，而处理能力差一些的计算资源的使用成本较低，然而，目前大部分云计算中的任务调度方案仅仅将缩短任务的完成时间作为研究重点，忽略了云计算平台中计算资源的使用成本，不利于云计算平台的性能提升，所以，如何选择最优的任务与计算资源之间的调度方案是目前急需解决的问题。为此，本发明实施例提供了一种任务调度方法及设备，来解决目前缺乏选择最优的任务与计算资源之间的调度方案的问题。需要说明的是，本发明实施例提供的一种任务调度方法及设备，除了可以应用于云计算平台的任务调度之外，还可以应用到现有技术中需要进行任务调度的其他任何类型的应用平台中。在本实施例中，具体以应用在云计算平台为例，来对本发明实施例的上述方法进行详细阐述。在此，对本发明实施例中涉及到的差分进化算法进行简要说明。差分进化算法(differentialevolution，简称de)，又可称为差分演化算法或微分进化算法，是一种新兴的进化计算技术，它最初是由美国学者storn和price在1995年提出的一种模拟自然进化法则的仿生智能计算算法，差分进化算法主要用于求解连续变量的全局优化问题。差分进化算法主要包括变异(mutation)、交叉(crossover)、选择(selection)三种操作，其基本思想是从某一随机产生的初始群体开始，利用从群体中随机选取的两个个体的差向量作为第三个个体的随机变化源，将差向量加权后按照一定的规则与第三个个体的向量求和，从而产生新的变异个体，该操作即为变异。然后，变异个体与某个预先决定的目标个体进行参数混合，生成试验个体，这一过程为交叉。如果试验个体的适应度值优于目标个体的适应度值，则在下一代中试验个体取代目标个体，否则目标个体仍保存下来，该操作为选择。在每一代的进化过程中，每一个体矢量作为目标个体一次，算法通过不断地迭代计算，保留优良个体，淘汰劣质个体，引导搜索过程向全局最优解逼近。下面结合说明书附图对本发明实施例作进一步详细描述。应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。请参考图1，为本发明实施例提供的一种任务调度方法，包括：步骤s101：根据待处理的多个任务以及用于处理任务的多个处理节点，生成将任务调度到处理节点进行处理的任务与处理节点组合的初始种群。在本发明实施例中，用于处理任务的处理节点可以为云计算平台中的具有计算能力的任何类型的计算资源，这样的计算资源如虚拟机、处理器等，在此，不做任何限制。本发明实施例中的方法在确定待处理的多个任务和用于处理任务的多个处理节点之后，就可以根据上述多个处理任务以及多个处理节点，生成将任务调度到处理节点进行处理的任务与处理节点组合的初始种群，在实际应用中，为了确保种群能够覆盖整个搜索空间，通常选用随机函数来生成初始种群，本发明实施例也可以通过选用随机函数来生成将任务调度到处理节点进行处理的任务与处理节点组合的初始种群。在生成任务与处理节点组合的初始种群的过程中，还可以设置种群规模，也即生成的初始种群中包括的个体的数量，在本发明实施例中，生成的初始种群的个体是指任务与处理节点组合。表一：pij(t)虚拟机1虚拟机2虚拟机3虚拟机4虚拟机5任务1p11(0)p12(0)p13(0)p14(0)p15(0)任务2p21(0)p22(0)p23(0)p24(0)p25(0)任务3p31(0)p32(0)p33(0)p34(0)p35(0)例如，设置种群规模为10，待处理的多个任务包括：任务1，任务2，任务3；用于处理任务的多个处理节点，包括虚拟机1，虚拟机2，虚拟机3，虚拟机4，虚拟机5，通过随机函数生成的包括任务与处理节点组合的初始种群可以为表一所示的任10个个体。其中，表一中的xij(t)表示生成的初始种群中的单个个体也即某一个任务与处理节点组合，t表示进化代数，在初始种群中t取值0，i表示任务编号，j表示虚拟机标号，如x11(0)，表示初始种群中的将任务1调度到虚拟机1进行处理的任务与虚拟机组合。步骤s102：根据当前进化代数以及最大进化代数，构建用于控制所述初始种群交叉变异的输入因子，根据任务在处理节点进行处理的所需时间以及开销，构建用于计算任务与处理节点组合的适应度的适应度函数。在实际应用中，上述步骤102可以在步骤101之后执行，也可以在步骤s101之前执行，还可以同步骤s101同时执行，在此不做任何限制。优选的，在上述步骤102中的构建的输入因子包括交叉因子时，所述根据当前进化代数以及最大进化代数，构建用于控制所述初始种群交叉变异的输入因子，具体为：根据当前进化代数t以及最大进化代数t，构建新的交叉因子cr：cr＝crmin+(crmax-crmin)(t/t)2公式(1)；其中，crmin为预设的交叉因子最小值，crmax为预设的交叉因子最大值。在实际应用中，交叉因子cr又可称为交叉概率cr，在差分进化算法的交叉过程，交叉因子cr会影响差分进化算法的搜索能力和收敛速度，交叉因子cr取值范围通常为[0.5，1]，当然，还可以根据具体的应用场景调整交叉因子cr取值范围，在此，以交叉因子cr取值范围为[0.5，1]为例，那么，预设的交叉因子最小值crmin就可取值为0.5，预设的交叉因子最大值crmax就可取值为1。根据预设的交叉因子最小值crmin、预设的交叉因子最大值crmax、当前进化代数t以及最大进化代数t，构建如上述公式(1)所示的新的交叉因子cr，该新的交叉因子cr随着进化的代数的变化也即迭代次数的变化而更新。例如，在当前进化代数t取值为1时，根据上述公式(1)可知当前第一次进化过程中的新的交叉因子cr取值为crmin+(crmax-crmin)(1/t)2；在当前进化代数t取值为t时，根据上述公式(1)可知当前第t次进化过程中的新的交叉因子cr取值为crmax。由于在本发明实施例中，重新构建的如上述公式(1)所示的新的交叉因子cr，在进化的初期，cr的值较小，越有利于保持种群多样性和全局搜索能力；随着进化代数的增加，cr的取值越大，算法更多的在局部进行搜索，收敛速度也越快。因此本发明实施例通过随着迭代次数增加，不断增大交叉因子cr的方法，来改进差分进化算法，进而达到加快收敛速度的同时保证搜索到全局最优解的概率。优选的，在上述步骤102中的构建的输入因子包括缩放因子时，所述根据当前进化代数以及最大进化代数，构建用于控制所述初始种群交叉变异的输入因子，具体为：根据所述当前进化代数t以及所述最大进化代数t，构建新的缩放因子f：λ＝e1-t/(t+1-t)公式(2)；f＝f0*2λ公式(3)；其中，f0为预设的缩放因子初始值，λ为进化代数因子。在实际应用中，缩放因子又可称为控制因子，缩放因子控制着差分进化算法变异过程中的搜索范围，在本发明实施例中，构建了如公式(3)所示的具有自适应能力的新的缩放因子f，也即新的缩放因子f的值会随着进化代数的变化也即迭代次数的变化而自适应的更新，具体的，在算法的初期，f具有较大值，较大的缩放因子f能够在全局进行搜索，进而使得种群在初期可以保持个体多样性，避免早熟；随着迭代次数的增加也即在算法后期，f的值不断减小，种群进化到后期的解具有较多的优良信息，小的缩放因子f可以保留解的优良信息，避免最优解遭到破坏，增加搜索到全局最优解的概率，并且还能加快算法的收敛速度，提高了算法的效率。进一步的，在本发明实施例中，还可以根据任务在处理节点进行处理的所需时间以及开销，构建用于计算任务与处理节点组合的适应度的适应度函数，具体的，可以根据实际需要设置任务在处理节点进行处理的所需时间的权重，以及设置任务在处理节点进行处理的所需开销的权重，例如，可以将所需时间的权重以及所述开销的权重均设置为50％；可以将所需时间的权重设置为80％，将所需开销的权重设置为20％；还可以将所需时间的权重设置为40％，将所需开销的权重设置为60％等，在此，以所需时间的权重设置为80％，将所需开销的权重设置为20％为例，构建用于计算任务与处理节点组合的适应度的适应度函数为：适应度函数＝0.8*任务大小*处理节点的主频率+0.2*完成任务所需时间*处理节点功率公式(4)；步骤s103：根据所述输入因子以及所述适应度函数生成新的差分进化算法。在本发明实施例中，在构建了如公式(1)所示的新的交叉因子、如公式(3)所示的新的缩放因子以及如公式(4)所示的适应度函数后，就可以基于新的交叉因子、新的缩放因子以及适应度函数生成新的差分进化算法。步骤s104：通过所述新的差分进化算法对所述初始种群进行优化，获得任务与处理节点的最优组合的集合。其中，所述最优组合表征将组合中的任务调度到组合中处理节点进行处理所需时间以及开销最优。利用生成的新的差分进化算法，对将任务调度到处理节点进行处理的任务与处理节点组合的初始种群进行优化，来获得任务与处理节点的最优组合的集合。优选的，在使用新的差分进化算法，对生成的将任务调度到处理节点进行处理的任务与处理节点组合的初始种群进行优化时，每次优化均可执行以下操作，直到达到最大进化代数t，获得最优的目标种群：步骤a：获取当次优化过程中根据所述交叉因子cr生成的所有子代个体，将所述所有子代个体加入到当次优化过程中的新生个体集合；步骤b：计算所述新生个体集合中每个个体的适应度以及上一代种群中每个个体的适应度，并根据所述缩放因子f对所述新生个体集合以及上一代种群进行收缩，获得由适应度靠前的预设个数的个体构成的下一代种群。其中，获得的最优的目标种群即为任务与处理节点的最优组合的集合。也即在每次进化过程中，根据公式(1)更新每次进化的cr的值，根据每次进化过程中更新后的cr的值以及上一代种群生成多个子代个体，将生成的多个子代个体全部加入到每次进化过程中的新生个体集合中，然后利用上述公式(4)计算新生个体集合中每个个体的适应度以及上一代种群中每个个体的适应度，并根据缩放因子f对所述新生个体集合以及上一代种群进行收缩，获得由适应度靠前的预设个数的个体构成的下一代种群。。例如，根据新的进化算法对规模为10的初始种群进行优化，在第一次进化过程中也即t取值为1，初始种群作为上一代种群也即父代种群，将t的值也即1带入公式(1)获得第一次进化的cr的值，也即crmin，然后利用crmin对上一代种群进行交叉变异操作，生成新的个体也即子代个体。将生成的所有子代个体加入到第一次进化过程中的新生个体集合中，利用适应性函数公式(4)分别计算新生个体集合中每个个体的适应度以及上一代种群中每个个体的适应度，通过公式(3)计算得到第一次进化的通过缩放因子f，并利用计算得到该缩放因子f对新生个体集合以及上一代种群进行收缩，以排除适应度小的个体，进而获得由适应度较大的预设个数的个体组成下一代种群，其中，上述预设个数由计算的到的缩放因子f确定，在此就不过多讨论。然后进行第二进化，在第二进化过程中，t取值为2，将t的值带入公式(1)获得第二次进化的cr的值，然后利用第二次进化的cr的值对上一代种群(也即第一次进化后获得的下一代种群作为第二次进化的上一代种群)进行交叉变异操作，生成新的个体也即子代个体。同样的，将生成的所有子代个体加入到第二次进化过程中的新生个体集合中，利用适应性函数分别计算第二次进化的新生个体集合中每个个体的适应度以及上一代种群中每个个体的适应度，通过公式(3)计算得到第二次进化的通过缩放因子f，并利用计算得到该缩放因子f对新生个体集合以及上一代种群进行收缩，以排除适应度小的个体，进而获得由适应度较大的预设个数的个体组成下一代种群，依次类推直到达到最大进化代数t，获得最优的目标种群也即为任务与处理节点的最优组合的集合。所以，通过本发明实施提供的上述任务调度方法，可以根据当前进化代数以及最大进化代数，构建新的差分进化算法的输入因子，以及根据任务在处理节点进行处理的所需时间以及开销，构建新的差分进化算法的适应度函数，进而通过使用新的差分进化算法进行优化，获得将任务调度到处理节点进行处理所需时间以及开销的最优任务与处理节点组合，所以能够兼顾处理节点处理任务的时间以及开销，实现选择最优的任务与计算资源之间的调度方案的目的，以及提升任务处理平台的性能。可选的，在具体实践过程中可以用程序语言来实现上述根据新的差分进化算法，对生成的将任务调度到处理节点进行处理的任务与处理节点组合的初始种群进行优化，获得任务与处理节点的最优组合的集合，选择的程序语言可以为c语言，java语言，c++语言等任意类型的程序语言，在此不做任何限制。基于同一发明构思，本发明实施例中提供了一种任务调度设备，该设备的任务调度方法的具体实施可参见上述方法实施例部分的描述，重复之处不再赘述，请参考图2，该设备包括：种群生成单元20，用于根据待处理的多个任务以及用于处理任务的多个处理节点，生成将任务调度到处理节点进行处理的任务与处理节点组合的初始种群；构建单元21，用于根据当前进化代数以及最大进化代数，构建用于控制所述初始种群交叉变异的输入因子，根据任务在处理节点进行处理的所需时间以及开销，构建用于计算任务与处理节点组合的适应度的适应度函数，根据所述输入因子以及所述适应度函数生成新的差分进化算法；优化单元22，用于通过所述新的差分进化算法对所述初始种群进行优化，获得任务与处理节点的最优组合的集合所述最优组合表征将组合中的任务调度到组合中处理节点进行处理所需时间以及开销最优。可选的，所述输入因子包括交叉因子，所述构建单元还用于：根据所述当前进化代数t以及最大进化代数t，构建交叉因子cr：cr＝crmin+(crmax-crmin)(t/t)2；其中，crmin为预设的交叉因子最小值，crmax为预设的交叉因子最大值。可选的，所述输入因子包括缩放因子，所述构建单元还用于：根据所述当前进化代数t以及最大进化代数t，构建缩放因子f：λ＝e1-t/(t+1-t)；f＝f0*2λ；其中，f0为预设的缩放因子初始值，λ为进化代数因子。可选的，所述优化单元还用于：通过所述新的差分进化算法对所述初始种群进行优化，且在每次优化过程中均执行以下操作，直到达到最大进化代数t获得最优的目标种群，其中，所述最优的目标种群即为任务与处理节点的最优组合的集合：获取当次优化过程中根据所述交叉因子cr生成的所有子代个体，将所述所有子代个体加入到当次优化过程中的新生个体集合；计算所述新生个体集合中每个个体的适应度以及上一代种群中每个个体的适应度，并根据所述缩放因子f对所述新生个体集合以及上一代种群进行收缩，获得由适应度靠前的预设个数的个体构成的下一代种群。本申请提供的任务调度设备的技术效果可以参见上述第一方面的各个实现方式的技术效果，此处不再赘述。基于同一发明构思，本发明实施例中提供了一种设备，请参考图3，所述设备包括：至少一个处理器30，以及与所述至少一个处理器连接的存储器31；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令，执行如上所述的任务调度方法。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，本发明可采用完全硬件实施例、完全软件实施例、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。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。当前第1页12