一种电力通信网现场运维工单调度方法与流程

本发明实施例涉及电力通信网现场运维技术领域，尤其涉及一种电力通信网现场运维工单调度方法。

背景技术：

随着科学技术的飞速发展，电力通信网现场运维对于电力通信网以及智能电网的稳定和有效运营至关重要。科学化、智能化、精确化的现场运维，能够有效优化电力通信网现场运维作业工单调度，提高运维作业效率、保证运维作业质量。因此，深入研究面向电力通信网现场运维作业工单调度优化方法是有必要的。

现有的电力通信网现场运维工单调度方法中，大多数算法都是关于单个项目的，针对多项目资源调度的协调算法的研究较少。此外，在现有算法研究中，较少考虑到人为因素，忽略了人力资源技能和能力的差异。上述问题严重限制了调度算法模型的应用，不能合理有效利用现有运维资源，导致运维作业效率低下，运维作业质量得不到保证。

技术实现要素：

本发明实施例提供一种电力通信网现场运维工单调度方法，用以解决现有的电力通信网现场运维工单调度方法未能考虑多项目协调和人为因素导致的运行作业效率低下、质量无法保证的问题。

一方面，本发明实施例提供一种电力通信网现场运维工单调度方法，包括：

根据每一运维人员的工作技能和工作技能的技能因子，以及每一待完成项目的任务序列，构建工单调度模型；其中，待完成项目包含若干个任务序列，每一任务序列预设有需求技能类型和工作时间；工单调度模型由平均技能因子之和最大化函数、任务完成时间之和最小化函数以及约束条件构成；

求解工单调度模型，得到工单调度方案，并根据工单调度方案进行工单调度。

另一方面，本发明实施例提供一种电力通信网现场运维工单调度系统，包括：

建模单元，用于根据每一运维人员的工作技能和工作技能的技能因子，以及每一待完成项目的任务序列，构建工单调度模型；其中，任务序列包含若干个任务，每一任务预设有需求技能类型和工作时间；工单调度模型由平均技能因子之和最大化函数、任务完成时间之和最小化函数以及约束条件构成；

调度单元，用于求解工单调度模型，得到工单调度方案，并根据工单调度方案进行工单调度。

又一方面，本发明实施例提供一种电力通信网现场运维工单调度设备，包括处理器、通信接口、存储器和总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信，处理器可以调用存储器中的逻辑指令，以执行如前所述的电力通信网现场运维工单调度方法。

再一方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前所述的电力通信网现场运维工单调度方法。

本发明实施例提供的一种电力通信网现场运维工单调度方法，通过构建包含平均技能因子之和最大化函数与任务完成时间之和最小化函数的工单调度模型，充分考虑了运维人员的工作技能、技能因子，以及不同任务序列所需技能类型等因素，解决了运维现场作业调度中任务请求效率低下、任务无法自行调整等问题，以提高服务质量以及资源的利用率，实现多资源约束下的运维工单合理调度。

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一简单地介绍，显而易见地，下面描述中的附图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为本发明实施例的一种电力通信网现场运维工单调度方法的流程示意图；

图2为本发明实施例的一种电力通信网现场运维工单调度系统的结构示意图；

图3为本发明实施例的一种电力通信网现场运维工单调度设备的结构示意图。

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。

由于电力通信网现场运维数据交互的不畅会导致电力通信网运维工单往往无法第一时间进行流转，制约了现场作业的高效实施，同时现场环节数据无法及时回传也制约了现场作业规范性落实，造成了现场运维任务调度不合理，运维人员利用率和运维效率较低。此外，电力通信网现场运维作业工单调度过程中还需要综合考虑人员技能、工作难度、人员位置、已承担任务、绩效考核、人员利用率、业务互斥性、设备差异性等多种因素，以提高运维作业效率、保证运维作业质量，因此深入研究面向电力通信网现场运维作业工单调度优化方法是有必要的。图1为本发明实施例的一种电力通信网现场运维工单调度方法的流程示意图，如图1所示，一种电力通信网现场运维工单调度方法，包括：

101，根据每一运维人员的工作技能和工作技能的技能因子，以及每一待完成项目的任务序列，构建工单调度模型。

具体地，每一运维人员具备若干种不同类型的工作技能和技能因子，运维人员具备的每一工作技能对应一个技能因子，此处技能因子用于表征该运维人员具备的该工作技能的熟练程度，技能因子越大则该运维人员对该工作技能的熟练程度越高。此处的技能因子可以是团队领导给出的，也可以的通过专家评估或者测试得出的，本发明实施例不对技能因子的设定方法作具体限定。

每一待完成项目由若干个任务序列构成，其中每一任务序列均预设有需求技能类型和工作时间，此处的需求技能类型与运维人员的工作技能对应，如果某一运维人员具备某一任务序列的需求技能类型的工作技能，则可以选择该运维人员来完成该任务序列指示的任务。需要说明的是，运维人员将与任务序列进行多对多的关系映射：可以选择一名运维人员来部署多项任务序列，也可以选择多名运维人员来部署一项任务序列，本发明实施例对此不作具体限定。

此处，工单调度模型由平均技能因子之和最大化函数、任务完成时间之和最小化函数以及约束条件构成。平均技能因子之和最大化函数是指以所有待完成项目中，每一任务序列分配的所有运维人员对应的该任务序列需求技能类型的技能因子的平均值之和为最大值的目标函数。任务完成时间之和最小化函数是指所有待完成项目中，每一任务序列的完成时间之和为最小值的目标函数。

102，求解工单调度模型，得到工单调度方案，并根据工单调度方案进行工单调度。此处，求解工单调度模型的方法有多种，例如遗传算法、贪心算法等，本发明实施例对此不作具体限定。

本发明实施例提出的方法，通过构建包含平均技能因子之和最大化函数与任务完成时间之和最小化函数的工单调度模型，充分考虑了运维人员的工作技能、技能因子，以及不同任务序列所需技能类型等因素，解决了运维现场作业调度中任务请求效率低下、任务无法自行调整等问题，以提高服务质量以及资源的利用率，实现多资源约束下的运维工单合理调度。

基于上述实施例，一种电力通信网现场运维工单调度方法，假设存在m位运维人员，每位运维人员具备若干种不同类型的工作技能，每一工作技能对应一个技能因子。待完成项目包括p1,p2,...,pn，每一待完成项目包含k个任务序列j1,j2,...,jk，同时，待完成项目还给出了每一任务序列的完成时间t1,t2,...,tk，其中每一任务序列都由预设的需求技能类型和工作时间来表示，此处的工作时间表征该任务序列的总工作量。不同待完成项目中的每个任务序列可能需要具有不同技能的运维人员。运维人员wi(i＝1,2,...,m)具有工作技能s1,s2,...sf，相应的技能因子为y1,y2,...yf，其中，f为工作技能的数量，技能因子yi用于表征工作技能si的熟练程度，例如可设置技能因子yi的范围为[0,2]，其中0表示没有技能，1表示平均技能，即运维人员已经掌握了基本技能，2表示技能熟练。

根据上述参数，得到平均技能因子之和最大化函数如下：

maxf；

其中，f为平均技能因子之和，f如下：

式中，yij为第j个运维人员具备的第i个任务序列所需技能类型的技能因子，numberi为完成第i个任务序列的运维人员数量，n为待完成项目的数量，k为每一待完成项目的任务序列数量。

任务完成时间之和最小化函数如下：

minz；

其中，z为平均技能因子之和，z如下：

式中，cij为第j个运维人员完成第i个任务序列所需的时间，xij为第j个运维人员针对第i个任务序列的完成度，xij的范围为[0,1]，xij＝0表示第j个运维人员没有参与第i个任务序列，xij＝1表示第j个运维人员单独完成了第i个任务序列，m为运维人员的数量。

此处，平均技能因子之和最大化函数maxf表示分配给各个任务序列的运维人员的技能因数的平均值的总和最大，任务完成时间之和最小化函数minz表示完成各个待完成项目的时间最短。

约束条件包括：

第一约束条件：

第二约束条件：

式中，ti为第i个任务序列的结束时间。

其中，第一约束条件用于表示对于任一任务序列，所有运维人员对该任务序列的完成度之和为1，即第一约束条件用于保证每一任务序列都被完成。第二约束条件用于表示对于第i个任务序列，完成第1至第i个任务序列耗费的总时间必须小于或等于第i个任务序列预设的完成时间。

基于上述任一实施例，一种电力通信网现场运维工单调度方法，102，求解工单调度模型，得到工单调度方案，具体包括：基于工单调度模型，初始化宿主种群和病毒种群；对宿主种群中每一宿主个体进行交叉和突变，并基于每一宿主个体的适应度，对宿主种群进行选择；若病毒种群中任一病毒个体的生命力小于或等于0，生成新的病毒个体替代该病毒个体；基于病毒种群，对宿主种群进行感染，根据感染后的宿主种群中每一宿主个体的适应度，对宿主种群进行更新，直至宿主种群的更新次数大于预设次数。

此处，应用病毒遗传算法求解工单调度模型。其中，病毒遗传算法是受到病毒进化理论启发产生的一种优化的遗传算法。病毒遗传算法在进化过程中产生两个种群：宿主种群(hostpopulation)和病毒种群(viruspopulation)。宿主种群对应求解问题的解空间，进行的是遗传算法的遗传操作，在父子代群体之间纵向继承进化信息，实施解空间的全局搜索；病毒种群是宿主个体编码子串的集合，进行的是病毒感染操作，在同代个体之间横向传递进化信息，实施解空间的局部搜索。病毒遗传算法利用宿主种群和病毒种群的协同进化作用，并根据解的现状动态改变全局搜索和局部搜索的比例，从而能够快速得到问题的全局近似最优解。本发明实施例中得到的工单调度方案，即工单调度模型的最优解。

本发明实施例不对求解工单调度模型的方法作具体限定，应用病毒遗传算法求解工单调度模型的步骤如下：

1)基于工单调度模型，初始化宿主种群和病毒种群。

具体地，首先分别对宿主个体和病毒个体进行编码。其中，针对m个运维人员、n个项目和每个项目中的k个任务序列的运维工单调度问题，宿主个体编码如下：

式中，i为宿主个体编码，j为任务序列，m为对应j的运维人员分配模式向量，j中的基因j1,...,jn*k和m中的基因分别称为工序基因和模式基因，当确定了任务序列j和对应的运维人员分配模式向量m后，每一宿主个体唯一对应了一个运维作业工单调度(j,m)。

宿主个体编码已经对任务序列j进行了充分搜索，因此只对运维人员分配模式向量m产生病毒个体并进行病毒化操作，以扩大对运维人员分配模式的搜索。病毒个体的编码为：

h＝(h1,h2,...,hn*k)；

其中：h为病毒个体编码，是对应于资源序列(1,...,n*k)的运维人员分配模式向量，病毒个体产生于宿主个体的运维人员分配模式向量mi，病毒个体是运维人员分配模式向量mi的子串，串中包含通配符＊，通配符＊不表示任何模式。串中除通配符之外的字符为病毒个体的有效基因，有效基因表示一个活动的具体资源模式。因此，病毒个体表示的是部分资源状态的模式，例如h1＝(*,2,*,*,3，*,*)，表示h2＝2，h5＝3，有可能产生下面的运维人员分配模式向量：

mk＝(1,2,5,4,3,7,6)，k≤m！

接着，基于上述宿主个体编码确定初始宿主个体。宿主个体的序列为初始自然序列j＝(j1,...,jn*k)，然后确定模式宿主个体集合m＝(m1,m2,...,mk)，k≤m！。

然后为任务序列ji随机选择对应的染色体mj，j∈[1,k]，直至n个任务序列全部选择对应的模式即可确定初始宿主个体。依照上述方法，初始化初始宿主个体组成的宿主种群。

2)对宿主种群中每一宿主个体进行交叉和突变，并基于每一宿主个体的适应度，对宿主种群进行选择。

此处，交叉操作是保障遗传算法有效性的重要环节，交叉操作一般采用每一对父代个体通过变化基因位产生新一代个体的方法进行。由于本示例的遗传算子采用实数编码，采用双个体交叉算子进行交叉操作会增加校正伪解的工作量，因此本示例中采用单个体翻转交叉算子完成交叉操作。例如，进行交叉的个体为：

按照随机生成的两个数p和q，(0＜p＜q≤n)，对iparent中索引为p和q之间的基因位进行翻转操作，生成新的个体为：

其中，

变异操作在遗传算法中作为交叉操作的有益补充，旨在搜索过程中扩大邻域搜索范围，本示例的变异操作采用单点变异算子进行。单点变异算子对选择的染色体随机选择两个基因位，将这两个基因位的基因进行对调，这种基于单个基因位的单点变异算子能够有效的改变新个体与旧个体之间的海明距离，有利于搜索范围的扩大，对跳出遗传算法的局部最优由明显的改善。

选择操作是对当前个体集合中选择较优的个体进入下一代的过程，本示例的选择操作用轮盘赌来实现，轮盘赌的原则是根据每个宿主个体适应度值的比例确定宿主个体的选择概率。

由于现场运维工单调度的最终目的是为电力通信网现场运维解决方案寻找合理的工单调度安排，使完成运维任务的天数小于或等于任务的指定完成时间，并以高质量完成任务。也就是说，分配给该任务的运维人员具有较高的技能因子。这里宿主个体的适应度函数，由目标函数的倒数变换而成，为防止数据溢出，分母做了+1处理。宿主个体的适应度通过下式计算得到：

式中，fithost(i)为宿主个体i的适应度，f为平均技能因子之和，z为平均技能因子之和。

3)计算病毒个体的生命力，第一代进化时，生命力不减少。如果生命力不大于0，则需要重新生成新的病毒替代该病毒。判断当前病毒浓度，如果病毒浓度满足感染条件，按病毒感染概率对宿主种群进行病毒感染操作。

此处，病毒个体的生命力通过下式计算得到：

lifei,t+1＝λ·lifei,t+fitvirusi；

式中，lifei,t+1为病毒个体vi在第t+1代的生命力，λ为衰减系数，说明病毒个体从当前代生存到下代时有一定时衰减趋势；fitvirusi为病毒个体vi的适应度，fitvirusi通过下式计算得到：

式中，s为病毒个体vi感染的宿主个体的集合，fithost'k为宿主个体k感染病毒后的适应度，fithostk为宿主个体k感染病毒前的适应度。

具体地，病毒感染指宿主个体的相应模式基因将被病毒个体的基因所取代，将产生新的宿主个体。例如，宿主个体为(1,4,6,8,9,3)，病毒个体为(*,2,*,3,*,*)，则被感染后的宿主个体为(1,4,2,8,9,3)。任一病毒个体感染任一宿主个体的概率为pinfect，如果宿主个体的适应度在感染后增加，那么感染后的宿主个体将取代感染前的宿主个体。

病毒繁殖是指随机选择宿主个体，宿主个体中每个模式基因将以概率pcopy替换病毒个体中的相应基因，产生新的病毒个体。例如，宿主个体为(1,4,6,8,9,3)，病毒个体为(*,2,*,3,*,*)，病毒繁殖生成的新的病毒个体为(*,2,4,3,*,9)。病毒个体是通过复制产生的，即通过宿主个体以概率pcopy复制到没有感染能力的病毒个体。复制的作用是增加演化计算能力，或产生部分活跃的新资源模型。

4)计算感染后的主个体适应度，如果适应度优于感染期的个体适应度，则用感染后的个体取代感染前的个体；

5)计算病毒个体的适应度，如果适应度大于0，则从主个体中选择一个主个体对应的机器分配模式向量执行复制操作；

6)如果满足结束条件则退出优化，否则返回2)重新进行优化。

为了更好地理解与应用本发明提出的一种电力通信网现场运维工单调度方法，本发明进行以下示例，且本发明不仅局限于以下示例。

本示例中，分别基于基本遗传算法(ga)和病毒遗传算法(vega)对同一工单调度模型进行求解，两种算法均在vs2017环境下用c#进行编程，在相同的计算机上运行程序。基本参数为：宿主种群规模hostpop＝100，病毒种群规模viruspop＝10，交叉概率pc＝0.8，变异概率pm＝0.05，pcopy＝0.2，pinfect＝0.02，病毒衰减系数λ＝0.9，病毒浓度(病毒的浓度即控制病毒在遗传算法中的作用，通过改变病毒的浓度可以改变遗传算法的性能)densityvirus＝0.2。

随机生成100个实例，并分别用基本遗传算法和病毒遗传算法进行计算。使用平均计算时间和平均计算代数进行评估，实验结果表示，针对同一工单调度模型，病毒遗传算法求解的质量均优于基本遗传算法，与基本遗传算法相比，病毒遗传算法不仅缩短了运维作业调度问题计算时间，而且减少了计算代数，可快速获得最优工程解决方案，能够满足提高运维作业任务质量，缩短运维作业任务持续时间的需求。

基于上述任一方法实施例，图2为本发明实施例的一种电力通信网现场运维工单调度系统的结构示意图，如图2所示，一种电力通信网现场运维工单调度系统，包括：

建模单元201，用于根据每一运维人员的工作技能和工作技能的技能因子，以及每一待完成项目的任务序列，构建工单调度模型；其中，任务序列包含若干个任务，每一任务预设有需求技能类型和工作时间；工单调度模型由平均技能因子之和最大化函数、任务完成时间之和最小化函数以及约束条件构成；

调度单元202，用于求解工单调度模型，得到工单调度方案，并根据工单调度方案进行工单调度。

需要说明的是，上述建模单元201和调度单元202配合以执行上述实施例中的一种电力通信网现场运维工单调度方法，该系统的具体功能参见上述的电力通信网现场运维工单调度方法的实施例，此处不再赘述。

本发明实施例提出的系统，通过构建包含平均技能因子之和最大化函数与任务完成时间之和最小化函数的工单调度模型，充分考虑了运维人员的工作技能、技能因子，以及不同任务序列所需技能类型等因素，解决了运维现场作业调度中任务请求效率低下、任务无法自行调整等问题，以提高服务质量以及资源的利用率，实现多资源约束下的运维工单合理调度。

基于上述任一实施例，一种电力通信网现场运维工单调度系统，平均技能因子之和最大化函数如下：

maxf；

其中，f为平均技能因子之和，f如下：

式中，yij为第j个运维人员具备的第i个任务序列所需技能类型的技能因子，numberi为完成第i个任务序列的运维人员数量，n为待完成项目的数量，k为每一待完成项目的任务序列数量；

任务完成时间之和最小化函数如下：

minz；

其中，z为平均技能因子之和，z如下：

式中，cij为第j个运维人员完成第i个任务序列所需的时间，xij为第j个运维人员针对第i个任务序列的完成度，m为运维人员的数量。

基于上述任一实施例，一种电力通信网现场运维工单调度系统，约束条件包括：

式中，ti为第i个任务序列的结束时间。

基于上述任一实施例，一种电力通信网现场运维工单调度系统，调度单元202，具体包括：

初始化子单元，用于基于工单调度模型，初始化宿主种群和病毒种群；

遗传子单元，用于对宿主种群中每一宿主个体进行交叉和突变，并基于每一宿主个体的适应度，对宿主种群进行选择；

病毒更新子单元，用于若病毒种群中任一病毒个体的生命力小于或等于0，生成新的病毒个体替代该病毒个体；

感染子单元，用于基于病毒种群，对宿主种群进行感染，根据感染后的宿主种群中每一宿主个体的适应度，对宿主种群进行更新，直至宿主种群的更新次数大于预设次数。

基于上述任一实施例，一种电力通信网现场运维工单调度系统，初始化子单元，具体用于：

基于工单调度模型，分别对宿主个体和病毒个体进行如下编码：

式中，i为宿主个体编码，j为任务序列，m为对应j的运维人员分配模式向量，h为病毒个体编码；

根据宿主个体编码初始化宿主种群，根据病毒个体编码初始化病毒种群。

基于上述任一实施例，一种电力通信网现场运维工单调度系统，宿主个体的适应度通过下式计算得到：

式中，fithost(i)为宿主个体i的适应度，f为平均技能因子之和，z为平均技能因子之和。

基于上述任一实施例，一种电力通信网现场运维工单调度系统，，病毒个体的生命力通过下式计算得到：

lifei,t+1＝λ·lifei,t+fitvirusi；

式中，lifei,t+1为病毒个体vi在第t+1代的生命力，λ为衰减系数，fitvirusi为病毒个体vi的适应度，fitvirusi通过下式计算得到：

式中，s为病毒个体vi感染的宿主个体的集合，fithost'k为宿主个体k感染病毒后的适应度，fithostk为宿主个体k感染病毒前的适应度。

图3为本发明实施例的一种电力通信网现场运维工单调度设备的结构示意图，如图3所示，电力通信网现场运维工单调度设备包括：处理器(processor)301、通信接口(communicationsinterface)302、存储器(memory)303和总线304，其中，处理器301，通信接口302，存储器303通过总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行如下方法，例如包括：根据每一运维人员的工作技能和工作技能的技能因子，以及每一待完成项目的任务序列，构建工单调度模型；其中，待完成项目包含若干个任务序列，每一任务序列预设有需求技能类型和工作时间；工单调度模型由平均技能因子之和最大化函数、任务完成时间之和最小化函数以及约束条件构成；求解工单调度模型，得到工单调度方案，并根据工单调度方案进行工单调度。

本发明实施例公开一种计算机程序产品，计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：根据每一运维人员的工作技能和工作技能的技能因子，以及每一待完成项目的任务序列，构建工单调度模型；其中，待完成项目包含若干个任务序列，每一任务序列预设有需求技能类型和工作时间；工单调度模型由平均技能因子之和最大化函数、任务完成时间之和最小化函数以及约束条件构成；求解工单调度模型，得到工单调度方案，并根据工单调度方案进行工单调度。

本实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：根据每一运维人员的工作技能和工作技能的技能因子，以及每一待完成项目的任务序列，构建工单调度模型；其中，待完成项目包含若干个任务序列，每一任务序列预设有需求技能类型和工作时间；工单调度模型由平均技能因子之和最大化函数、任务完成时间之和最小化函数以及约束条件构成；求解工单调度模型，得到工单调度方案，并根据工单调度方案进行工单调度。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的通信设备等实施例仅仅是示意性的，其中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的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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计算机可读存储介质中，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)执行各个实施例或者实施例的某些部分的方法。

最后应说明的是：以上各实施例仅用以说明本发明的实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明的实施例进行了详细的说明，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，或者对其中部分或者全部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的实施例各实施例技术方案的范围。