基于分布式协作粒子群算法的多星任务规划方法和系统

1.本发明涉及多星任务规划技术领域，具体涉及一种基于分布式协作粒子群算法的多星任务规划方法、系统、存储介质和电子设备。


背景技术：

2.成像侦察卫星以一定轨道在空间运行，在地面形成以星下点轨迹为轴线，由视场角、侧摆角、俯仰角等共同确定的观测区域，卫星对区域内目标的观测具有严格的时间窗口，且需要消耗一定的观测资源。
3.分布式成像卫星协同观测调度问题可以描述为：一批星群中的任一卫星收到任务信息，便将任务信息通过星间链路传达给星群中的其他卫星，星群共同进行任务规划，通过制定合理的规划方案使得任务收益最大的同时保证任务规划效率。一般采用遗传算法、粒子群算法等启发式算法解决卫星应急任务调度问题。
4.粒子群优化算法模拟鸟群的捕食行为，初始化为一群随机粒子(随机解)，粒子在解空间追随最优粒子进行搜索，然后通过迭代找到最优解。粒子群算法简单、易实现，而且没有许多参数需要调整，因此已广泛应用于函数优化。但由于粒子群优化算法是根据全体粒子和自身的搜索经验向着最优解的方向“飞行”，在进化后期收敛速度明显变慢，同时算法收敛到一定精度时，极易陷入局部极值点；另外粒子有时会出现在最优解附近振荡的现象。算法无法继续优化，因此算法所能达到的精度较差，从而无法充分提高卫星资源利用效率。


技术实现要素：

5.(一)解决的技术问题
6.针对现有技术的不足，本发明提供了一种基于分布式协作粒子群算法的多星任务规划方法、系统、存储介质和电子设备，解决了无法充分提高卫星资源利用效率的技术问题。
7.(二)技术方案
8.为实现以上目的，本发明通过以下技术方案予以实现：
9.一种基于分布式协作粒子群算法的多星任务规划方法，包括：
10.s1、获取卫星资源集合和待观测的任务集合；
11.s2、根据所述卫星资源集合和任务集合，获取多星任务规划的多个可行解；
12.s3、根据多个所述可行解，采用分布式协同进化粒子群算法获取最终的分布式多星任务协同观测规划方案。
13.优选的，所述s3具体包括：
14.s31、令t＝0；
15.将每个初始解作为一个粒子放入初始粒子种群，粒子总数为tk，tk＝k
·ns
；随机初始化整个种群中每个粒子的位置和速度；
16.s32、将所述初始粒子种群中的每个粒子p
tk
的基因矩阵按照卫星序号拆分成条状，得到卫星sj对应的分粒子基因向量dp
tk
(j)，构成分粒子基因向量集合tdp(j)＝{dp1(j),
…
,dp
tk
(j),
…
,dp
tk
(j)}；所述基因矩阵包括序号矩阵和权值矩阵；
17.s33、首先，计算分粒子基因向量dp
tk
(j)中所有分粒子的适应度值；
[0018][0019]
其中，为第t代分粒子dp
tk
(j)的适应度值；
[0020]
卫星资源集合，ns为卫星资源的数量；
[0021]
待观测任务集合,n
t
为任务的数量；
[0022]
为任务ti在卫星sj上可见时间窗的数量；
[0023]
为决策变量，
[0024][0025]
pi为任务ti的观测收益；
[0026]
ctj为卫星sj观测调度的任务数；
[0027]wtk,j,m
为权值矩阵中的元素，即分粒子p
tk
(j)对应的方案中卫星sj第m个观测任务的权值；
[0028]
其次，从分粒子基因向量集合tdp(j)中，按照精英选择策略选取k个分粒子组成初始的分种群dp(j)＝{dp1(j),
…
,dpk(j),
…
,dpk(j)}，共得到ns个初始分种群：dp(1),
…
,dp(j),
…
,dp(ns)；
[0029]
s34、定义初始的分种群dp(j)中分粒子的初始位置及其适应度值分别为对于初始的分种群dp(j)中适应度值最大的分粒子，将其位置和评价值分别定义为gbest
t
(j)和
[0030]
针对初始的分种群dp(j)，采用预设的移动公式，执行分粒子协同进化更新分粒子的速度和位置；
[0031]
s35、依次选择当前分钟群中的分粒子dpk(j)，随机从其他当前分种群中各选取一个分粒子组成准粒子qpk，然后进行匹配冲突消解，得到完整的粒子，每个卫星sj得到子种群p(j),j＝1,2,
…
,ns，子种群p(j)的粒子数量为k；
[0032]
s36、计算每个子种群p(j)中各个粒子pk的位置及其适应度值从而确定每个子种群p(j)中适应度值最大的粒子的位置及其适应度值ai
t
(gbestj)；
[0033]
确定ai
t
(gbestj)最小的第一子种群p(j)、以及ai
t
(gbestj)最大的第二子种群p(j)，将所述第一子种群p(j)中适应度值最小的粒子，与第二子种群p(j)中随机选择一个粒子进行交换；
[0034]
s37、采用所述移动公式更新整个子种群p(j)中所有粒子的速度和位置；
[0035]
s38、计算当前子种群p(j)中每个粒子pk的当前适应度值更新与
[0036][0037]
s39、当迭代次数达到预设最大进化次数nmax，或者种群收敛系数达到预设阀值ε0时停止迭代，比较各个当前子种群对应的ai(gbestj)，确定当前初始粒子种群tp的全局最优位置及其适应度值gbest
t
、ai
gbest
，解码对应的粒子获取最终的分布式多星任务协同观测规划方案；否则，合并各个当前子种群p(j)得到粒子群并作为下一次迭代过程中的初始粒子种群tp，令t＝t+1，返回s32。
[0038]
优选的，所述分布式协同进化粒子群算法中：
[0039]
基于任务序号的十进制编码方式，初始粒子种群p＝{p1,p2,
…
,p
tk
,
…
,p
tk
}，种群中粒子总数为tk＝k
·ns
，其中p
tk
表示第tk个粒子；
[0040]
粒子pk由基因矩阵组成，基因矩阵分为序号矩阵xk和权值矩阵wk，xk中基因的位置代表任务的执行顺序；wk与xk相对应，wk中的任务权重对应xk中的任务编号；
[0041]
则分粒子dpk(j)为对应粒子基因矩阵的一个基因向量，基因向量分为序号向量xk(j)和权值向量wk(j)，xk(j)中基因的位置代表任务的执行顺序；wk(j)与xk(j)相对应，wk(j)中的任务权重对应xk(j)中的任务编号；
[0042]
在第t代进化时，粒子pk的序号矩阵为：
[0043][0044]
粒子pk的权值矩阵为：
[0045][0046]
则分粒子dpk(j)的序号向量为：
[0047][0048]
分粒子dpk的权值向量：
[0049][0050]
其中，和分别表示：在第t代进化时分粒子dpk(j)对应的方案中，卫星sj上第m个观测任务的序号和权值；
[0051]
表示粒子pk从最初位置进化到第t代的过程中所达到的历史最优位置，对应的权值矩阵为有：
[0052][0053]
则表示分粒子dpk(j)从最初位置进化到第t代的过程中所达到的历史最优位置，对应的权值向量为有：
[0054][0055]
其中，表示对应的方案中卫星sj第m个观测任务的权值；
[0056]
gbest
t
表示粒子种群从最初位置进化到第t代的过程中所达到的最优位置，gbest
t
对应的权值矩阵为gbestw
t
，有：
[0057][0058]
则gbest
t
(j)表示分粒子种群从最初位置进化到第t代的过程中所达到的最优位置，gbest
t
(j)对应的权值向量为gbestw
t
(j)，有：
[0059][0060]
其中，表示gbest
t
(j)对应的方案中卫星sj第m个观测任务的权值。
[0061]
优选的，所述s34中执行分粒子协同进化更新分粒子的速度和位置，具体包括：
[0062]
根据移动公式移动分粒子基因向量dpk(j)，在第t+1代进化时，分粒子dpk的移动公式为
[0063]
[0064][0065]
其中，分别表示第t、t+1代进化时分粒子dpk(j)对应的方案中，卫星sj上第i个观测任务的权值，用于表征粒子位置；
[0066]
分别为dpk(j)在第t、t+1代进化时的移动速度；
[0067]
ω为惯性系数，表示第t代的分粒子速度对t+1代分粒子移动速度的影响程度；
[0068]
c1为分粒子自我进化加速度，c2为分粒子竞争学习加速度，c3为分粒子全局移动加速度；
[0069]
r1,r2,r3为[0,1]内均匀分布的随机数；
[0070]
表示分粒子dpk(j)按照成对竞争机制向分粒子dpk′
(j),dpk′
(j)≠dpk(j)进行学习：在成对竞争中若dpk(j)输掉比赛，即aik(j)《aik′
(j)，则下一步更新公式中c2≠0，dpk(j)通过向dpk′
(j)学习来更新其位置，否则c2＝0；
[0071]
表示分粒子dpk(j)的全局社会学习。
[0072]
优选的，所述s35中的冲突消解协商规则包括：
[0073]
当任务可以被不同卫星观测时，优先选择负载小的卫星执行观测任务；当多个任务发生冲突时，优先调度收益大的观测任务。
[0074]
优选的，所述s35中变异操作是指，确定最大适应度值最低的第一分种群、以及最大适应度值最高的第二分种群，将所述第一分种群中适应度值最小分粒子，与第二分种群中随机选择一个分粒子进行交换。
[0075]
优选的，所述s38中的种群收敛系数表示为ε＝|fmax-f|，fmax为种群适应度的最大值；f为种群适应度的平均值。
[0076]
一种基于分布式协作粒子群算法的多星任务规划系统，包括：
[0077]
获取模块，用于获取卫星资源集合和待观测的任务集合；
[0078]
选择模块，用于根据所述卫星资源集合和任务集合，获取多星任务规划的多个可行解；
[0079]
规划模块，用于根据多个所述可行解，采用分布式协同进化粒子群算法获取最终的分布式多星任务协同观测规划方案。
[0080]
一种存储介质，其存储有用于多星任务规划的计算机程序，其中，所述计算机程序使得计算机执行如上所述的多星任务规划方法。
[0081]
一种电子设备，包括：
[0082]
一个或多个处理器；
[0083]
存储器；以及
[0084]
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的多星任务规划方法。
[0085]
(三)有益效果
[0086]
本发明提供了一种基于分布式协作粒子群算法的多星任务规划方法、系统、存储
介质和电子设备。与现有技术相比，具备以下有益效果：
[0087]
本发明中，首先获取卫星资源集合和待观测的任务集合；然后根据所述卫星资源集合和任务集合，获取多星任务规划的多个可行解；最后根据多个所述可行解，采用分布式协同进化粒子群算法获取最终的分布式多星任务协同观测规划方案。设计分布式协同进化粒子群算法，分粒子协同进化再随机匹配冲突消解，得到完整的新粒子，改善了种群多样性，同时引入成对竞争机制，增加了粒子社会学习的来源，避免出现“早熟”收敛的情况，从而获得更好的分布式多星任务协同观测规划方案，提高卫星资源利用效率。
附图说明
[0088]
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。
[0089]
图1为本发明实施例提供的一种基于分布式协作粒子群算法的多星任务规划方法的流程示意图；
[0090]
图2为本发明实施例提供的一种分粒子基因向量获取示意图；
[0091]
图3本发明实施例提供的一种子种群的获取示意图。
具体实施方式
[0092]
为使本发明实施例的目的、技术方案和优点更加清楚，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。
[0093]
本技术实施例通过提供一种基于分布式协作粒子群算法的多星任务规划方法、系统、存储介质和电子设备，解决了无法充分提高卫星资源利用效率的技术问题。
[0094]
本技术实施例中的技术方案为解决上述技术问题，总体思路如下：
[0095]
本发明实施例中，首先获取卫星资源集合和待观测的任务集合；然后根据所述卫星资源集合和任务集合，获取多星任务规划的多个可行解；最后根据多个所述可行解，采用分布式协同进化粒子群算法获取最终的分布式多星任务协同观测规划方案。设计分布式协同进化粒子群算法，分粒子协同进化再随机匹配冲突消解，得到完整的新粒子，改善了种群多样性，同时引入成对竞争机制，增加了粒子社会学习的来源，避免出现“早熟”收敛的情况，从而获得更好的分布式多星任务协同观测规划方案，提高卫星资源利用效率。
[0096]
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0097]
实施例：
[0098]
如图1所示，本发明实施例提供了一种基于分布式协作粒子群算法的多星任务规划方法，包括：
[0099]
s1、获取卫星资源集合和待观测的任务集合；
[0100]
s2、根据所述卫星资源集合和任务集合，获取多星任务规划的多个可行解；
[0101]
s3、根据多个所述可行解，采用分布式协同进化粒子群算法获取最终的分布式多星任务协同观测规划方案。
[0102]
本发明实施例设计分布式协同进化粒子群算法，分粒子协同进化再随机匹配冲突消解，得到完整的新粒子，改善了种群多样性，同时引入成对竞争机制，增加了粒子社会学习的来源，避免出现“早熟”收敛的情况，从而获得更好的分布式多星任务协同观测规划方案，提高卫星资源利用效率。
[0103]
下面将结合具体内容详细介绍上述技术方案的各个步骤：
[0104]
在步骤s1中，获取卫星资源集合和待观测的任务集合。
[0105]
定义表示卫星资源集合，ns为卫星资源的数量；待观测任务集合,n
t
为任务的数量。
[0106]
在步骤s2中，根据所述卫星资源集合和任务集合，获取多星任务规划的多个可行解。
[0107]
本发明实施例的核心点主要在于后续介绍的分布式协同进化粒子群算法。因此本步骤中，对于获取可行解的具体求解方式不进行任何限制。本领域技术人员应当知晓，但凡根据步骤s1提供的卫星资源集合和待观测的任务集合相关信息，任何能够确定用于多星任务规划的规划方案的求解方式均应当纳入本技术要求的保护范围之内。
[0108]
在步骤s3中，根据多个所述可行解，采用分布式协同进化粒子群算法获取最终的分布式多星任务协同观测规划方案。
[0109]
首先需要说明的是，所述分布式协同进化粒子群算法中：
[0110]
基于任务序号的十进制编码方式，初始粒子种群p＝{p1,p2,
…
,p
tk
,
…
,p
tk
}，种群中粒子总数为tk＝k
·ns
，其中p
tk
表示第tk个粒子；
[0111]
粒子pk由基因矩阵组成，基因矩阵分为序号矩阵xk和权值矩阵wk，xk中基因的位置代表任务的执行顺序；wk与xk相对应，wk中的任务权重对应xk中的任务编号；
[0112]
如图2所示的方法(图中p1、p2分别表示一粒子对应的序号矩阵和权值矩阵；dp1(j)、dp2(j)分别表示一分粒子按卫星sj划分后，对应的序号向量和权值向量)，将粒子p
tk
按行(卫星资源)分成分粒子(differentialparticle，dp)，则分粒子dpk(j)为对应粒子基因矩阵的一个基因向量，基因向量分为序号向量xk(j)和权值向量wk(j)，xk(k)中基因的位置代表任务的执行顺序；wk(j)与xk(j)相对应，wk(j)中的任务权重对应xk(j)中的任务编号；
[0113]
在第t代进化时，粒子pk的序号矩阵为：
[0114][0115]
粒子pk的权值矩阵为：
[0116][0117]
则分粒子dpk(j)的序号向量为：
[0118][0119]
分粒子dpk的权值向量：
[0120][0121]
其中，和分别表示：在第t代进化时分粒子dpk(j)对应的方案中，卫星sj上第m个观测任务的序号和权值；
[0122]
表示粒子pk从最初位置进化到第t代的过程中所达到的历史最优位置，对应的权值矩阵为有：
[0123][0124]
则表示分粒子dpk(j)从最初位置进化到第t代的过程中所达到的历史最优位置，对应的权值向量为有：
[0125][0126]
其中，表示对应的方案中卫星sj第m个观测任务的权值；
[0127]
gbest
t
表示粒子种群从最初位置进化到第t代的过程中所达到的最优位置，gbest
t
对应的权值矩阵为hbestw
t
，有：
[0128][0129]
则gbest
t
(j)表示分粒子种群从最初位置进化到第t代的过程中所达到的最优位置，gbest
t
(j)对应的权值向量为gbestw
t
(j)，有：
[0130][0131]
其中，表示gbest
t
(j)对应的方案中卫星sj第m个观测任务的权值。
[0132]
所述s3具体包括：
[0133]
s31、令t＝0；
[0134]
将每个初始解作为一个粒子放入初始粒子种群，粒子总数为tk，tk＝k
·ns
；随机初始化整个种群中每个粒子的位置和速度；
[0135]
s32、将所述初始粒子种群中的每个粒子p
tk
的基因矩阵按照卫星序号拆分成条状，得到卫星sj对应的分粒子基因向量dp
tk
(j)，构成分粒子基因向量集合tdp(j)＝{dp1(j),
…
,dp
tk
(j),
…
,dp
tk
(j)}；所述基因矩阵包括序号矩阵和权值矩阵；
[0136]
s33、首先，计算分粒子基因向量dp
tk
(j)中所有分粒子的适应度值；
[0137][0138]
其中，为第t代分粒子dp
tk
(j)的适应度值；
[0139]
卫星资源集合，ns为卫星资源的数量；
[0140]
待观测任务集合,n
t
为任务的数量；
[0141]
为任务ti在卫星sj上可见时间窗的数量；
[0142]
为决策变量，
[0143][0144]
pi为任务ti的观测收益；
[0145]
ctj为卫星sj观测调度的任务数；
[0146]wtk,j,m
为权值矩阵中的元素，即分粒子p
tk
(j)对应的方案中卫星sj第m个观测任务的权值；
[0147]
其次，从分粒子基因向量集合tdp(j)中，按照精英选择策略选取k个分粒子组成初始的分种群dp(j)＝{dp1(j),
…
,dpk(j),
…
,dpk(j)}，共得到ns个初始分种群：dp(1),
…
,dp(j),
…
,dp(ns)；
[0148]
s34、定义初始的分种群dp(j)中分粒子的初始位置及其适应度值分别为对于初始的分种群dp(j)中适应度值最大的分粒子，将其位置和评价值分别定义为gbest
t
(j)和
[0149]
针对初始的分种群dp(j)，采用预设的移动公式，执行分粒子协同进化更新分粒子的速度和位置；
[0150]
所述s34中执行分粒子协同进化更新分粒子的速度和位置，具体包括：
[0151]
根据移动公式移动分粒子基因向量dpk(j)，在第t+1代进化时，分粒子dpk的移动公
式为
[0152][0153][0154]
其中，分别表示第t、t+1代进化时分粒子dpk(j)对应的方案中，卫星sj上第i个观测任务的权值，用于表征粒子位置；
[0155]
分别为dpk(j)在第t、t+1代进化时的移动速度；
[0156]
ω为惯性系数，表示第t代的分粒子速度对t+1代分粒子移动速度的影响程度；
[0157]
c1为分粒子自我进化加速度，c2为分粒子竞争学习加速度，c3为分粒子全局移动加速度；
[0158]
r1,r2,r3为[0,1]内均匀分布的随机数；
[0159]
表示分粒子dpk(j)按照成对竞争机制向分粒子dpk′
(j),dpk′
(j)≠dpk(j)进行学习：在成对竞争中若dpk(j)输掉比赛，即aik(j)《aik′
(j)，则下一步更新公式中c2≠0，dpk(j)通过向dpk′
(j)学习来更新其位置，否则c2＝0；成对竞争机制增加了粒子社会学习的来源，可以极大地避免出现“早熟”收敛的情况，改善了种群多样性。
[0160]
表示分粒子dpk(j)的全局社会学习。
[0161]
s35、如图3所示，依次选择当前分钟群中的分粒子dpk(j)，随机从其他当前分种群中各选取一个分粒子组成准粒子qpk，然后进行匹配冲突消解，得到完整的粒子，每个卫星sj得到子种群p(j),j＝1,2,
…
,ns，子种群p(j)的粒子数量为k；
[0162]
所述s35中的冲突消解协商规则包括：
[0163]
当任务可以被不同卫星观测时，优先选择负载小的卫星执行观测任务；当多个任务发生冲突时，优先调度收益大的观测任务。
[0164]
s36、计算每个子种群p(j)中各个粒子pk的位置及其适应度值从而确定每个子种群p(j)中适应度值最大的粒子的位置及其适应度值ai
t
(gbestj)；
[0165]
确定ai
t
(gbestj)最小的第一子种群p(j)、以及ai
t
(gbestj)最大的第二子种群p(j)，将所述第一子种群p(j)中适应度值最小的粒子，与第二子种群p(j)中随机选择一个粒子进行交换；
[0166]
s37、采用所述移动公式更新整个子种群p(j)中所有粒子的速度和位置；
[0167]
本步骤中同样采用上述公式(11)和(12)更新子种群p(j)的所有粒子的速度和位置，在此不再赘述。
[0168]
s38、计算当前子种群p(j)中每个粒子pk的当前适应度值更新与
[0169][0170]
s39、采用双重停止准则：
[0171]
当迭代次数达到预设最大进化次数nmax，或者种群收敛系数达到预设阀值ε0时停止迭代，比较各个当前子种群对应的ai(gbestj)，确定当前初始粒子种群tp的全局最优位置及其适应度值gbest
t
、ai
gbest
，解码对应的粒子获取最终的分布式多星任务协同观测规划方案；否则，合并各个当前子种群p(j)得到粒子群并作为下一次迭代过程中的初始粒子种群tp，令t＝t+1，返回s32。
[0172]
上述种群收敛系数表示为ε＝|fmax-f|，fmax为种群适应度的最大值；f为种群适应度的平均值。
[0173]
因此，本发明实施例应用于分布式协同进化多星调度，对粒子群算法进行优化；设计粒子基因矩阵与分粒子基因向量(将粒子的基因矩阵拆成条状得到分粒子的基因矩阵)，构造分布式协同进化粒子群算法，结合遗传算法变异操作，避免算法陷入局部最优，从而在较短时间内获得问题高质量的解，完成分布式多星任务规划。
[0174]
本发明实施例提供了一种基于分布式协作粒子群算法的多星任务规划系统，包括：
[0175]
获取模块，用于获取卫星资源集合和待观测的任务集合；
[0176]
选择模块，用于根据所述卫星资源集合和任务集合，获取多星任务规划的多个可行解；
[0177]
规划模块，用于根据多个所述可行解，采用分布式协同进化粒子群算法获取最终的分布式多星任务协同观测规划方案。
[0178]
本发明实施例提供了一种存储介质，其存储有用于多星任务规划的计算机程序，其中，所述计算机程序使得计算机执行如上所述的多星任务规划方法。
[0179]
本发明实施例还提供了一种电子设备，包括：：
[0180]
一个或多个处理器；
[0181]
存储器；以及
[0182]
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的多星任务规划方法。
[0183]
可理解的是，本发明实施例提供的基于分布式协作粒子群算法的多星任务规划系统、存储介质和电子设备与本发明实施例提供的基于分布式协作粒子群算法的多星任务规划方法相对应，其有关内容的解释、举例和有益效果等部分可以参考多星任务规划方法中的相应部分，此处不再赘述。
[0184]
综上所述，与现有技术相比，具备以下有益效果：
[0185]
本发明实施例设计分布式协同进化粒子群算法，分粒子协同进化再随机匹配冲突消解，得到完整的新粒子，改善了种群多样性，同时引入成对竞争机制，增加了粒子社会学习的来源，避免出现“早熟”收敛的情况，从而获得更好的分布式多星任务协同观测规划方案，提高卫星资源利用效率。
[0186]
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。
[0187]
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。