基于区块链技术的钢铁产业链物流成本分析系统的制作方法

1.本技术属于物流管理技术领域，尤其涉及一种基于区块链技术的钢铁产业链物流成本分析系统。


背景技术：

2.现代社会快速发展,对于物流货运的需求快速增长,物流管理系统的作用日益显著。
3.现有的物流管理平台无法提前规划物流调度指令，无法从宏观角度对物流进行管理，难以在短时间内规划出最合理的运输方式和路径，运输效果差，容易造成运力浪费。


技术实现要素：

4.有鉴于此，本发明提供了一种基于区块链技术的钢铁产业链物流成本分析系统，旨在解决现有物流管理平台容易造成运力浪费的问题。
5.本发明实施例的第一方面提供了一种基于区块链技术的钢铁产业链物流成本分析系统，其特征在于，包括：
6.模型获取模块，用于获取预先构建的目标运输作业的物流成本模型；所述目标运输作业对应多种运输方案；所述物流成本模型用于计算每种运输方案下的运输成本和运输时间；
7.第一优化模块，用于以运输成本最小和运输时间最短为优化目标，根据第一多目标优化算法对所述物流成本模型进行优化，以确定多个第一最优运输方案；
8.模型简化模块，用于根据所述多个第一最优运输方案，确定简化的物流成本模型；
9.第二优化模块，用于以运输成本最小和运输时间最短为优化目标，根据第二多目标优化算法对所述简化的物流成本模型进行优化，以确定第二最优运输方案；
10.其中，所述第一多目标优化算法的收敛速度大于所述第二多目标优化算法；所述第二多目标优化算法的收敛效果大于所述第一多目标优化算法。
11.本发明实施例的第二方面提供了一种基于区块链技术的钢铁产业链物流成本分析方法，包括：
12.获取预先构建的目标运输作业的物流成本模型；所述目标运输作业对应多种运输方案；所述物流成本模型用于计算每种运输方案下的运输成本和运输时间；
13.以运输成本最小和运输时间最短为优化目标，根据第一多目标优化算法对所述物流成本模型进行优化，以确定多个第一最优运输方案；
14.根据所述多个第一最优运输方案，确定简化的物流成本模型；
15.以运输成本最小和运输时间最短为优化目标，根据第二多目标优化算法对所述简化的物流成本模型进行优化，以确定第二最优运输方案；
16.其中，所述第一多目标优化算法的收敛速度大于所述第二多目标优化算法；所述第二多目标优化算法的收敛效果大于所述第一多目标优化算法。
17.本发明实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面所述基于区块链技术的钢铁产业链物流成本分析系统的步骤。
18.本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面所述基于区块链技术的钢铁产业链物流成本分析系统的步骤。
19.本发明实施例提供的基于区块链技术的钢铁产业链物流成本分析系统，包括：获取预先构建的目标运输作业的物流成本模型；以运输成本最小和运输时间最短为优化目标，根据第一多目标优化算法对物流成本模型进行优化，以确定多个第一最优运输方案；根据多个第一最优运输方案，确定简化的物流成本模型；以运输成本最小和运输时间最短为优化目标，根据第二多目标优化算法对简化的物流成本模型进行优化，以确定第二最优运输方案；其中，第一多目标优化算法的收敛速度大于第二多目标优化算法；第二多目标优化算法的收敛效果大于第一多目标优化算法。通过先使用收敛速度快的算法进行优化以简化物流成本模型，然后使用收敛效果更好的模型进行优化，能够快速精准的找出最合理的运输方案，避免运力浪费。
附图说明
20.为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
21.图1是本发明一个实施例提供的基于区块链技术的钢铁产业链物流成本分析系统的应用场景图；
22.图2是本发明一个实施例提供的基于区块链技术的钢铁产业链物流成本分析系统的结构示意图；
23.图3是本发明一个实施例提供的基于区块链技术的钢铁产业链物流成本分析方法的实现流程图；
24.图4是本发明一个实施例提供的电子设备的示意图。
具体实施方式
25.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
26.图1是本发明一个实施例提供的基于区块链技术的钢铁产业链物流成本分析系统的应用场景图。本发明实施例的基于区块链技术的钢铁产业链物流成本分析系统可以包括但不限于应用于该场景中。该场景中包括：电子设备11、物流节点终端12。
27.电子设备11可以与多个物流节点终端12连接。电子设备11中预先存储有多种运输作业以及每种运输作业对应的多种运输方案。电子设备11可以是独立的设备，也可以是物
流管理系统中的设备，在此不作限定。电子设备11在接收到分析指令后，通过数据挖掘技术，对钢铁产业链客户、市场、销售及整个企业内部的各种信息进行分析，以建立物流成本模型，然后对物流成本模型进行优化，得到最优运输方案，并将其发送给相应的物流节点终端12。
28.电子设备11可以是终端或者服务器，终端可以是手机、笔记本、电脑等，服务器可以是独立的物理服务器，也可以是多个服务器组成的服务器集群，还可以是云端服务器等，在此不作限定。物流节点终端12可以是手机、笔记本、车载终端等，在此不作限定。
29.图2是本发明一个实施例提供的基于区块链技术的钢铁产业链物流成本分析系统的结构示意图。如图2所示，在一些实施例中，基于区块链技术的钢铁产业链物流成本分析系统，应用于如图1中所示的电子设备11，该系统包括：
30.模型获取模块210，用于获取预先构建的目标运输作业的物流成本模型；目标运输作业对应多种运输方案；物流成本模型用于计算每种运输方案下的运输成本和运输时间。
31.本实施例中，通过汇总分析钢铁产业链物流信息数据，对每天的货物种类、数量、运输成本、库存数据、原材料价格、销售价格等信息进行汇总。对钢铁产业链物流信息数据进行统计分析研究，实时追踪货物流向、运量分布、车辆数量和车辆流向等信息数据统计。根据统计的信息可以构建的目标运输作业对应的物流成本模型。目标运输作业是指将预设数量的货物从出发地运输到目标地点的过程。例如出发地为石家庄，目标地点为邯郸，运输100t钢铁。此时运输路线可以是石家庄-邯郸，也可以是石家庄-邢台-邯郸；运输方式可以是铁路运输，也可以是货车运输；由上述的运输路线、运输方式、以及未提到的其他运输影响因素(例如运输速度、运输车辆数、每辆车的装载量等)可以组成石家庄-邯郸的目标运输作业的多种运输方案。
32.第一优化模块220，用于以运输成本最小和运输时间最短为优化目标，根据第一多目标优化算法对物流成本模型进行优化，以确定多个第一最优运输方案。
33.本实施例中，第一多目标优化算法可以是多目标智能水滴算法、多目标粒子群算法、多目标蚁群算法等，也可以是上述算法的改进算法，例如，多目标多相粒子群优化算法、多目标量子行为粒子群优化算法、结合随机多邻域路径重连算法的智能水滴算法等。第一多目标优化算法的收敛速度应较快，即能够快速计算出第一最优运输方案。
34.模型简化模块230，用于根据多个第一最优运输方案，确定简化的物流成本模型。
35.本实施例中，仅保留物流成本模型中第一最优运输方案对应的部分，将其他部分删除，得到简化的物流成本模型。
36.第二优化模块240，用于以运输成本最小和运输时间最短为优化目标，根据第二多目标优化算法对简化的物流成本模型进行优化，以确定第二最优运输方案。
37.其中，第一多目标优化算法的收敛速度大于第二多目标优化算法；第二多目标优化算法的收敛效果大于第一多目标优化算法。
38.本实施例中，进行简化后再通过优化算法计算最终的优化方案时，由于通过计算速度快的第一优化算法对运输方案进行了初步筛选，第二多目标优化算法在优化时不必要对所有方案均进行尝试，因此能够有效减少第二多目标优化算法寻找最优解的时间。第二多目标优化算法应当选取优化精度更高的算法。第二多目标优化算法可以是多目标随机蛙跳算法、随机多邻域路径重连的多目标随机蛙跳算法等。在第二多目标优化算法达到最大
迭代次数仍未找出第二最优运输方案时，可以继续进行迭代，直到找出最优解。
39.本实施例中，通过获取预先构建的目标运输作业的物流成本模型；以运输成本最小和运输时间最短为优化目标，根据第一多目标优化算法对物流成本模型进行优化，以确定多个第一最优运输方案；根据多个第一最优运输方案，确定简化的物流成本模型；以运输成本最小和运输时间最短为优化目标，根据第二多目标优化算法对简化的物流成本模型进行优化，以确定第二最优运输方案；其中，第一多目标优化算法的收敛速度大于第二多目标优化算法；第二多目标优化算法的收敛效果大于第一多目标优化算法。通过先使用收敛速度快的算法进行优化以简化物流成本模型，然后使用收敛效果更好的模型进行优化，能够快速精准的找出最合理的运输方案，避免运力浪费。
40.在一些实施例中，第一多目标优化算法为改进的多目标智能水滴算法。
41.第一优化模块220，具体用于根据多目标智能水滴算法对物流成本模型进行优化，确定运输成本阈值和运输时间阈值；
42.从各种运输方案中选取运输成本处于运输成本阈值，且运输时间处于运输时间阈值内的运输方案，作为第一最优运输方案。
43.在一些实施例中，该系统还包括：算法扰动模块250；
44.算法扰动模块250，用于在多目标智能水滴算法对物流成本模型进行优化时，采用交叉算子和/或非均匀随机变异算子随机扰动水滴位置，以防止陷入局部最优解。
45.本实施例中，为了防止多目标智能水滴算法陷入局部最优解，采用交叉算子和/或非均匀随机变异算子对其进行了一定的改进。
46.交叉算子模拟的是父代基因重组过程。主要包括均匀交叉、模拟二进制交叉、部分映射交叉、次序交叉、单位置次序交叉、线性次序交叉、优先保存交叉、基于位置的交叉和循环交叉等方法。变异算子则模拟了生物进化过程中的染色体变异，主要包括均匀变异、非均匀变异和多项式变异等。本发明提出的改进方案使用交叉算子和非均匀变异算子对每一代水滴的位置进行随机扰动。
47.本实施例中，随机扰动的具体方式如下：依次针对水滴位置矩阵的每一维随机选择k对水滴进行交叉运算，每次交叉运算将水滴对应维度的元素互换并重新计算适应度值。当新水滴的适应度值优于原水滴时则替代原水滴,从而使其有一定概率跳出局部最优解。和/或使用非均匀变异算子，依次针对每个水滴随机选择k个维度进行扰动，当新水滴的适应度值优于原水滴时则替代原水滴,从而使其有一定概率跳出局部最优解。
48.在一些实施例中，第二多目标优化算法为多目标随机蛙跳算法。
49.第二优化模块240，具体用于根据多目标随机蛙跳算法对简化的物流成本模型进行优化，确定最优运输成本和最优运输时间；
50.根据最优运输成本和最优运输时间从各种运输方案中选取第二最优运输方案。
51.本实施例中，若存在与优化得到的最优运输成本和最优运输时间相对应的运输方案，则将该运输方案作为第二最优运输方案，否则，将运输成本、运输时间与优化得到的最优解最相近的运输方案作为第二最优运输方案。在寻找最相近的运输方案可以优先考虑运输成本、也可以优先考虑运输时间，还可以将运输成本和运输时间进行加权以综合考虑，在此不作限定。
52.在一些实施例中，该系统还包括：重新优化模块260；
53.重新优化模块260，用于在预先构建的目标运输作业的物流成本模型的模型参数发生改变时，对参数发生改变后的物流成本模型重新进行优化。
54.本实施例中，物流成本模型的模型参数发生改变时，例如，物流中转网点的增加与减少、物流工具的变化、物流时段的变化等，物流成本(运输成本和运输时间)的计算方式会发生较大的改变，原有的最优运输方案可能将不再是最优的方案，因此需要对参数发生改变后的物流成本模型重新进行优化。
55.在一些实施例中，s204之后该系统还包括：第一确定模块270；
56.第一确定模块270，具体用于根据预设的覆盖率公式，确定第一多目标优化算法和第二多目标优化算法之间的覆盖率；
57.根据覆盖率，确定重新进行优化时是否需要更换第一多目标优化算法和/或第二多目标优化算法；
58.预设的覆盖率公式为：
[0059][0060]
isc(a,b)＝sc(a,b)-sc(b,a)
[0061]
2)
[0062]
其中，isc(a,b)为覆盖率，card(i)为集合i中元素的个数，a为第一多目标优化算法，b为第二多目标优化算法，e为算法b计算得到的解，ai为算法a计算得到的解。
[0063]
本实施例中，在每次优化完成后，都可以得到第一多目标优化算法和第二多目标优化算法的非支配解集。通过上述公式，可以计算得到两个算法所获得的非支配解集之间的覆盖率。当isc(a,b)》0时，表示算法a的性能优于算法b，当isc(a,b)＝0时，表示算法a的性能与算法b的性能相差不大，此时则需要更换算法，以使两个算法分别完成不同的优化工作。
[0064]
在一些实施例中，该系统还包括：第二确定模块280；
[0065]
第二确定模块280，具体用于根据快速非支配排序的种群熵算法，分别确定第一多目标优化算法的种群多样性和第二多目标优化算法的种群多样性；
[0066]
根据第一多目标优化算法的种群多样性和第二多目标优化算法的种群多样性，确定重新进行优化时是否需要更换第一多目标优化算法和/或第二多目标优化算法。
[0067]
本实施例中，快速非支配排序的种群熵算法的公式如下：
[0068][0069]
其中，pe为种群熵，n为种群中个体的数量，pi为第i种物种中个体的数量，s为种群中物种的数量。
[0070]
当pe＝0时，表示种群中只有一个物种，即种群中所有的个体均在同一个非支配前沿面上，此时的种群多样性最小，既不利于种群进化，也不利于个体之间交流以产生高质量个体。当pe＝1时，表示种群中物种的数量等于种群个体的数量，即每种物种只有一个个体，种群中的个体分布在n个非支配前沿面上，此时种群的多样性最大，最利于种群进化，也最利于个体之间交流以产生高质量个体。
[0071]
在一些实施例中，每个目标运输作业包括发送环节、运行环节、中转环节、到达环节和两端服务环节。该系统还包括：模型建立模块290；
[0072]
模型建立模块290，具体用于获取每个环节对应的作业成本计算公式和作业时间计算公式；
[0073]
根据每个环节对应的作业成本计算公式和作业时间计算公式构建的目标运输作业的物流成本模型。
[0074]
本实施例中，可以使用回归拟合、神经网络等方式确定每个运输环节的作业成本计算公式和作业时间计算公式。
[0075]
本实施例中，在构建的目标运输作业的物流成本模型时，还要考虑各环节之间的相互影响，对每个环节对应的作业成本计算公式和作业时间计算公式进行修正，使其更符合实际的物流情况。
[0076]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0077]
图3是本发明一个实施例提供的基于区块链技术的钢铁产业链物流成本分析方法的实现流程图。如图3所示，基于区块链技术的钢铁产业链物流成本分析方法，包括：
[0078]
s201，获取预先构建的目标运输作业的物流成本模型；目标运输作业对应多种运输方案；物流成本模型用于计算每种运输方案下的运输成本和运输时间；
[0079]
s202，以运输成本最小和运输时间最短为优化目标，根据第一多目标优化算法对物流成本模型进行优化，以确定多个第一最优运输方案；
[0080]
s203，根据多个第一最优运输方案，确定简化的物流成本模型；
[0081]
s204，以运输成本最小和运输时间最短为优化目标，根据第二多目标优化算法对简化的物流成本模型进行优化，以确定第二最优运输方案；
[0082]
其中，第一多目标优化算法的收敛速度大于第二多目标优化算法；第二多目标优化算法的收敛效果大于第一多目标优化算法。
[0083]
可选的，第一多目标优化算法为改进的多目标智能水滴算法。
[0084]
s202可以包括：根据多目标智能水滴算法对物流成本模型进行优化，确定运输成本阈值和运输时间阈值；
[0085]
从各种运输方案中选取运输成本处于运输成本阈值，且运输时间处于运输时间阈值内的运输方案，作为第一最优运输方案。
[0086]
可选的，该方法还包括：
[0087]
在多目标智能水滴算法对物流成本模型进行优化时，采用交叉算子和/或非均匀随机变异算子随机扰动水滴位置，以防止陷入局部最优解。
[0088]
可选的，第二多目标优化算法为多目标随机蛙跳算法。
[0089]
s204可以包括：根据多目标随机蛙跳算法对简化的物流成本模型进行优化，确定最优运输成本和最优运输时间；
[0090]
根据最优运输成本和最优运输时间从各种运输方案中选取第二最优运输方案。
[0091]
可选的，该方法还包括：
[0092]
在预先构建的目标运输作业的物流成本模型的模型参数发生改变时，对参数发生
改变后的物流成本模型重新进行优化。
[0093]
可选的，该方法还包括：
[0094]
在确定第二最优运输方案之后，根据预设的覆盖率公式，确定第一多目标优化算法和第二多目标优化算法之间的覆盖率；
[0095]
根据覆盖率，确定重新进行优化时是否需要更换第一多目标优化算法和/或第二多目标优化算法；
[0096]
预设的覆盖率公式为：
[0097][0098]
isc(a,b)＝sc(a,b)-sc(b,a)
[0099]
其中，isc(a,b)为覆盖率，card(i)为集合i中元素的个数，a为第一多目标优化算法，b为第二多目标优化算法，e为算法b计算得到的解，ai为算法a计算得到的解。
[0100]
可选的，该方法还包括：
[0101]
根据快速非支配排序的种群熵算法，分别确定第一多目标优化算法的种群多样性和第二多目标优化算法的种群多样性；
[0102]
根据第一多目标优化算法的种群多样性和第二多目标优化算法的种群多样性，确定重新进行优化时是否需要更换第一多目标优化算法和/或第二多目标优化算法。
[0103]
可选的，每个目标运输作业包括发送环节、运行环节、中转环节、到达环节和两端服务环节。该方法还包括：
[0104]
获取每个环节对应的作业成本计算公式和作业时间计算公式；
[0105]
根据每个环节对应的作业成本计算公式和作业时间计算公式构建的目标运输作业的物流成本模型。
[0106]
本实施例提供的物流成本分析装置，可用于执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
[0107]
图4是本发明一个实施例提供的电子设备的示意图。如图4所示，本发明的一个实施例提供的电子设备4，该实施例的电子设备4包括：处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42。处理器40执行计算机程序42时实现上述各个基于区块链技术的钢铁产业链物流成本分析方法实施例中的步骤，例如图3所示的步骤301至步骤304。或者，处理器40执行计算机程序42时实现上述各系统实施例中各模块/单元的功能，例如图2所示模块210至240的功能。
[0108]
示例性的，计算机程序42可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器41中，并由处理器40执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序42在电子设备4中的执行过程。
[0109]
电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端还可以包括输入输出设备、网络接入设备、总线等。
[0110]
所称处理器40可以是中央处理单元(central processing unit，cpu)，还可以是
其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0111]
存储器41可以是电子设备4的内部存储单元，例如电子设备4的硬盘或内存。存储器41也可以是电子设备4的外部存储设备，例如电子设备4上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，存储器41还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器41用于存储计算机程序以及终端所需的其他程序和数据。存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
[0112]
本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述基于区块链技术的钢铁产业链物流成本分析系统实施例中的步骤。
[0113]
计算机可读存储介质存储有计算机程序42，计算机程序42包括程序指令，程序指令被处理器40执行时实现上述实施例方法中的全部或部分流程，也可以通过计算机程序42来指令相关的硬件来完成，计算机程序42可存储于一计算机可读存储介质中，该计算机程序42在被处理器40执行时，可实现上述各个方法实施例的步骤。其中，计算机程序42包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
[0114]
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元，例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备，例如终端上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
[0115]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0116]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元
既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0117]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0118]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0119]
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0120]
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单元来实现本实施例方案的目的。
[0121]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0122]
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
[0123]
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，均应包含在本发明的保护范围之内。