基于混合策略SNS的盐场蒸发计算方法、系统、终端及介质

基于混合策略sns的盐场蒸发计算方法、系统、终端及介质
技术领域
1.本发明属于盐场蒸发计算领域，涉及一种基于混合策略sns的盐场蒸发计算方法、系统、终端及介质。


背景技术：

2.蒸发模型需要通过输入的光伏板几何参数、盐场所在位置、一段时间的气象数据(太阳辐射、风速、环境温度、相对湿度)来计算该时间段内的有无光伏板遮挡的淡水蒸发量。
3.蒸发模型可以数值表示为一个非线性方程组，目前求解非线性方程组的方法大体上可以分为两种：传统优化算法和智能优化算法。
4.其中，传统优化算法求解非线性方程组的手段通常是基于梯度信息的迭代，例如：牛顿迭代法、拟牛顿迭代法、共轭梯度法和最速下降法等，其中最具代表性的就是牛顿迭代法。但是随着现如今要处理的方程组越来越复杂，传统算法出现了很大的局限性，如对初值十分敏感，容易陷入局部收敛，对函数要求较高(只适用于可微函数)等。
5.智能优化算法是一种基于群体的优化算法，可以从多个点出发同时进行搜索，具有隐式并行性，所以相较于传统优化算法，对初始点的选取依赖性显著降低，同时智能优化算法具有自组织，自适应，自学习的特性，对于不可微的非线性方程组也依然适用，不受问题性态的限制，求解范围广，能有效的处理传统算法难以解决的复杂问题。
6.然而普通的智能优化算法在处理复杂问题时的收敛速度和计算精度无法兼顾，精度过高时收敛速度会变慢，甚至无法收敛，如鲸鱼优化算法等在面对复杂问题时就会无法保证求解精度，达不到问题的要求。因此亟需一种在处理复杂问题时的收敛速度快和计算精度高的方法。


技术实现要素：

7.本发明的目的在于解决现有技术中的问题，提供一种基于混合策略sns的盐场蒸发计算方法、系统、终端及介质，能够有效提高算法搜索效率，提高算法的寻优速度，增加算法效率；增加算法跳出局部最优，找到全局最优的概率。
8.为达到上述目的，本发明采用以下技术方案予以实现：
9.基于混合策略sns的盐场蒸发计算方法，包括：
10.步骤1：初始化hsns和目标函数参数；
11.步骤2：基于改进的circle混沌映射初始化用户群；
12.步骤3：基于初始化hsns和目标函数参数，对用户群中的每个用户所持有观点的目标函数值进行计算，获取每个用户的目标函数值；
13.步骤4：基于每个用户所持有的观点，随机选择决策模型，更新每个用户的观点；
14.步骤5：判断更新后的每个用户观点所对应的目标函数值是否大于步骤3中的目标函数值；若是，则不进行更新；若否；则进行更新；
15.步骤6：基于更新后的用户群和改进的透镜成像学习产生新用户群；
16.步骤7：基于模拟退火机制，对新用户群中的用户进行全局最优位置的更新；
17.步骤8：对比更新后的最优位置与上一次的最优位置的差值，判断差值是否满足设置的要求，或者迭代次数是否达到最大数值，若满足，输出最优结果，否则重复步骤3到步骤7，直至满足条件。
18.本发明的进一步改进在于：
19.hsns和目标函数参数包括:hsns算法用户数目n、最大迭代次数maxiters、用户原始观点向量的最大值ub和最小值lb以及目标函数计算所需参数；
20.目标函数计算所需参数包括经度、地方时、太阳直射纬度、光伏板长度、光伏板距海平面高度、光伏板间距和光伏板倾角。
21.改进的circle混沌映射数学模型如公式(1)所示：
[0022][0023]
其中，x为解，n为解的维度。
[0024]
目标函数公式如公式(2)所示：
[0025][0026]
式中，t
p
表示光伏板温度，ts表示水面温度，t
p
,ts为所求的目标解，f(t
p
,ts)和g(t
p
,ts)组成关于t
p
,ts的方程组，为方程组转化来的关于t
p
,ts的目标函数。
[0027]
步骤4具体为：
[0028]
决策模型包括为模仿、交流、争论和创新；
[0029]
模仿的数学模型如公式(3)所示：
[0030][0031]
其中，xj表示随机选择的第j个用户的观点向量，并且i≠j；rand(0,1)和rand(-1,1)分别表示位于区间[0,1]和[-1,1]内的两个随机向量，且随机向量与解向量同维；
[0032]
交流数学模型如公式(4)所示：
[0033][0034]
其中，xj和xk均表示随机选择的用户观点向量，d表示用户之间的认知差异，sign表示符号函数，决定认知改变的方向；
[0035]
争论数学模型如公式(5)所示：
[0036]
x
i new
＝xi rand(0，1)
×
(m-af
×
xi)
ꢀꢀꢀ
(5)
[0037][0038]
af＝1 round(rand)
[0039]
其中，af为准入因子，其值为1或2，round(rand)表示对区间[0，1]的随机数进行舍入运算；m表示讨论小组中的观点总结，nr为讨论小组的大小，是一个位于区间[1,n]的随机数；
[0040]
创新数学模型如公式(6)所示：
[0041][0042]
其中，d表示在[1，d]区间内随机选取的第d个变量，d表示变量的维度，有n个方程组成的非线性方程组变量维度也为n；lbd和ubd分别代表第d个变量的最小值和最大值。
[0043]
还包括：用户群和目标函数值的关系：用户群中有n个个体，每个个体都有自己的观点，使用目标函数对每个用户的观点进行计算，获取目标函数值，每个用户都有自己的目标函数值。
[0044]
步骤6具体为：
[0045]
步骤6-1：对更新后的用户群进行变异操作，变异后用户群数量为2n；变异公式如公式(7)所示：
[0046][0047]
其中，x
′j表示用户进行变异后的第j维的值，a,b为第j维的最小值和最大值，为当前用户的第j维的值，t为当前迭代轮数，t为最大迭代轮数，k为缩放因子；
[0048]
步骤6-2：对变异后用户群的每个用户观点进行目标函数值计算；
[0049]
步骤6-3：将用户群按照其目标函数值进行排序；
[0050]
步骤6-4：选出最优的n个用户作为新的用户群进行步骤7。
[0051]
步骤7中的模拟退火机制具体为：
[0052]
步骤7-1：选出当前迭代的最优用户，记其观点向量为xb；
[0053]
步骤7-2：对xb进行一次步骤4中的随机更新，记其新的观点向量为x
′b；
[0054]
步骤7-3：分别计算其目标函数值，记为和计算增量
[0055]
步骤7-4：若则接受x
′b，若则计算若p≥rand(0,1),则接受x
′b，否则不接受x
′b，保持xb；
[0056]
步骤7-5：依据公式t
i 1
＝αti对温度t进行更新，其中i为迭代轮数。
[0057]
基于混合策略sns的盐场蒸发计算系统，包括：
[0058]
第一初始化模块，所述第一初始化模块用于初始化hsns和目标函数参数；
[0059]
第二初始化模块，所述第二初始化模块基于改进的circle混沌映射初始化用户群；
[0060]
目标函数值获取模块，所述目标函数值获取模块基于初始化hsns和目标函数参数，对用户群中的每个用户所持有观点的目标函数值进行计算，获取每个用户的目标函数值；
[0061]
观点更新模块，所述观点更新模块基于每个用户所持有的观点，随机选择决策模型，更新每个用户的观点；
[0062]
第一判断模块，所述第一判断模块用于判断更新后的每个用户观点所对应的目标函数值是否大于目标函数值获取模块所获取的目标函数值；
[0063]
用户群更新模块，所述用户群更新模块基于更新后的用户群和改进的透镜成像学习产生新用户群；
[0064]
最优位置更新模块，所述最优位置更新模块基于模拟退火机制，对新用户群中的用户进行全局最优位置的更新；
[0065]
第二判断模块，所述第二判断模块用于对比更新后的最优位置与上一次的最优位置的差值，判断差值是否满足设置的要求，或者迭代次数是否达到最大数值，直至输出最优结果。
[0066]
一种终端设备，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上述方法的步骤。
[0067]
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上述方法的步骤。
[0068]
与现有技术相比，本发明具有以下有益效果：
[0069]
本发明基于混合策略改进的社交网络搜索算法，提高对复杂方程组的求解效率，基于混沌映射对群体进行初始化，使得用户群初始化更加均匀，有效提高算法搜索效率，并在每一轮迭代采用改进的透镜成像学习更新整体用户群，且采取先对立变异，后筛选精英的顺序，去除不良个体的同时保留了精英个体，提高算法的寻优速度，增加算法效率；同时采用模拟退火机制，在每轮迭代对当前最优解进行二次更新，增加算法跳出局部最优，找到全局最优的概率。
附图说明
[0070]
为了更清楚的说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0071]
图1为本发明的基于混合策略sns的盐场蒸发计算方法流程图；
[0072]
图2为本发明的hsns计算流程图；
[0073]
图3为原circle与改进circle的映射对比图；(a)为原circle映射分布图；(b)为原circle映射分布直方图；(c)为改进circle映射分布图；(d)为改进circle映射分布直方图；
[0074]
图4为透镜成像学习原理图；
[0075]
图5为hsns、sns、woa、abc、pso和gwo算法在不同算例下的对比图算例的对比图；(a)为算例1的求解对比图；(b)为算例2的求解对比图；(c)为算例3的求解对比图；(d)为算例4的求解对比图；
[0076]
图6为本发明的基于混合策略sns的盐场蒸发计算系统结构图。
具体实施方式
[0077]
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0078]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
[0079]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0080]
在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0081]
此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
[0082]
在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0083]
下面结合附图对本发明做进一步详细描述：
[0084]
参见图1和图2，本发明公开了一种基于混合策略sns的盐场蒸发计算方法，包括：
[0085]
s101：初始化hsns和目标函数参数。
[0086]
模型参数包括:hsns算法用户数目n、最大迭代次数maxiters、用户原始观点向量的最大值ub和最小值lb以及目标函数计算所需参数；
[0087]
目标函数计算所需参数包括经度、地方时、太阳直射纬度、光伏板长度、光伏板距海平面高度、光伏板间距和光伏板倾角。
[0088]
s102：基于改进的circle混沌映射初始化用户群。
[0089]
改进的circle混沌映射数学模型如公式(1)所示：
[0090][0091]
其中，x为解，n为解的维度。
[0092]
s103：基于初始化hsns和目标函数参数，对用户群中的每个用户所持有观点的目标函数值进行计算，获取每个用户的目标函数值。
[0093]
目标函数公式如公式(2)所示：
[0094][0095]
式中，t
p
表示光伏板温度，ts表示水面温度，t
p
,ts为所求的目标解，f(t
p
,ts)和g(t
p
,ts)组成关于t
p
,ts的方程组，为方程组转化来的关于t
p
,ts的目标函数。
[0096]
s104：基于每个用户所持有的观点，随机选择决策模型，更新每个用户的观点。
[0097]
决策模型包括为模仿、交流、争论和创新；
[0098]
模仿表示在社交网络中，人们通常会对自己关注的其他人进行行为上的学习和模仿，模仿的数学模型如公式(3)所示：
[0099][0100]
其中，xj表示随机选择的第j个用户的观点向量，并且i≠j；rand(0,1)和rand(-1,1)分别表示位于区间[0,1]和[-1,1]内的两个随机向量，且随机向量与解向量同维；
[0101]
交流表示在社交网络中，人们可以通过交流相互学习，增加自己的知识水平，最后获得新的世界观，即新的用户观点，交流数学模型如公式(4)所示：
[0102][0103]
其中，xj和xk均表示随机选择的用户观点向量，d表示用户之间的认知差异，sign表示符号函数，决定认知改变的方向；
[0104]
争论表示在社交网络中，用户向其他人解释他们对于事物的看法，并捍卫他们的观点，在争论的时候，通常会以小组为单位进行争论，争论数学模型如公式(5)所示：
[0105][0106]
其中，af为准入因子，其值为1或2，round(rand)表示对区间[0，1]的随机数进行舍入运算；m表示讨论小组中的观点总结,nr为讨论小组的大小，是一个位于区间[1,n]的随机数；
[0107]
创新表示在社交网络中，有时用户会灵感乍现，通过更新颖的角度去更加准确的理解事物，创新数学模型如公式(6)所示：
[0108][0109]
其中，d表示在[1，d]区间内随机选取的第d个变量，d表示变量的维度，有n个方程组成的非线性方程组变量维度也为n；lbd和ubd分别代表第d个变量的最小值和最大值。
[0110]
s105：判断更新后的每个用户观点所对应的目标函数值是否大于s103中的目标函数值；若是，则不进行更新；若否；则进行更新。
[0111]
s106：基于更新后的用户群和改进的透镜成像学习产生新用户群。
[0112]
用户群和目标函数值的关系：用户群中有n个个体，每个个体都有自己的观点，使用目标函数对每个用户的观点进行计算，获取目标函数值，每个用户都有自己的目标函数值。
[0113]
s106具体为：
[0114]
s106-1：对更新后的用户群进行变异操作，变异后用户群数量为2n；变异公式如公式(7)所示：
[0115][0116]
其中，x
′j表示用户进行变异后的第j维的值，a,b为第j维的最小值和最大值，为当前用户的第j维的值，t为当前迭代轮数，t为最大迭代轮数，k为缩放因子；
[0117]
s106-2：对变异后用户群的每个用户观点进行目标函数值计算；
[0118]
s106-3：将用户群按照其目标函数值进行排序；
[0119]
s106-4：选出最优的n个用户作为新的用户群进行s107。
[0120]
s107：基于模拟退火机制，对新用户群中的用户进行全局最优位置的更新。
[0121]
s107-1：选出当前迭代的最优用户，记其观点向量为xb；
[0122]
s107-2：对xb进行一次步骤4中的随机更新，记其新的观点向量为x
′b；
[0123]
s107-3：分别计算其目标函数值，记为和计算增量
[0124]
s107-4：若则接受x
′b，若则计算若p≥rand(0,1),则接受x
′b，否则不接受x
′b，保持xb；
[0125]
s107-5：依据公式t
i 1
＝αti对温度t进行更新，其中i为迭代轮数。
[0126]
s108：对比更新后的最优位置与上一次的最优位置的差值，判断差值是否满足设置的要求，或者迭代次数是否达到最大数值，若满足，输出最优结果，否则重复s103到s107，直至满足条件。
[0127]
对于本发明的具体实施方式为客户通过桌面客户端进行调用，调用过程会传入参数，参数包括经度，地方时、太阳直射纬度、光伏板长度、光伏板距海平面高度、光伏板间距离、光伏板倾角、风速、光照强度、环境温度和相对湿度。
[0128]
客户端由javafx编写，集成springboot，数据库为mysql，计算数据会存入数据库中。蒸发模块计算引擎接收到用户输入的参数之后，开始使用进行计算，计算结果为光伏板及海面温度，最终确定蒸发量及蒸发速率。
[0129]
在hsns计算流程的最开始，即用户群初始化的时候，由于是随机进行初始化，容易出现种群分布不均匀，某块区域过于集中或分散，会对后续搜索寻优过程产生极大影响，导致在搜索时速度慢，效率低下，甚至陷入局部最优。为解决上述问题，在种群初始化的时候引入circle混沌映射，使得种群分布得到极大改善。由于原circle混沌映射效果欠佳，容易在区间[0.2,0.4]形成聚集，所以提出一种改进的circle混沌映射，其数学模型如公式(8)所示，相较于原本circle映射，去掉了常数项，增加了变量的二次项作为扰动，原circle映射分布及原circle映射分布直方图如图3(a)和图3(b)所示；改进后的circle映射分布及直方图如图3(c)和图3(d)所示。经过改进的circle混沌映射在整体分布上更加均匀，更适合用来初始化用户群。
[0130][0131]
在某些情况下，由于用户群整体分布差异不明显，有几率出现迭代在非最优解处徘徊的情况，会严重增加算法的搜索时间，甚至导致无法收敛。为解决上述问题，采用改进的透镜成像学习来进行整体用户群的更新，透镜成像学习的原理如图4所示。
[0132]
以一维空间为例，设个体为x
*
，在基点o(o为[a,b]的中点)上放置透镜，基于透镜成像原理的反向学习策略产生的反向点为x
′
，则由图4可以得到x
*
和x
′
的关系如公式(9)所示：
[0133][0134]
令k称为缩放因子，对公式(9)进行变换可以得到反向点的计算式，如公式(10)所示：
[0135][0136]
特殊地，当k＝1时，公式(10)即为标准反向学习的计算公式，说明此时没有产生折射，k受透镜本身性质影响，不同的透镜呈现不同的k值。k值可以看作是一个参数，作用是消除反向学习对位点计算的单调性。受樽海鞘群算法领导者的更新策略的影响，将k值的更新策略定义如公式(11)所示：
[0137][0138]
式中，t为当前迭代轮数，t为最大迭代轮数。
[0139]
一般地，将公式(10)所展示的改进版透镜成像学习策略扩展到d维空间可得到如公式(12)所示的表达式：
[0140][0141]
其中，x
′j表示用户进行变异后的第j维的值，a,b为第j维的最小值和最大值，为当前用户的第j维的值，t为当前迭代轮数，t为最大迭代轮数，k为缩放因子。
[0142]
在每轮迭代完成后，所有用户都经历了一遍更新，此时基于公式(12)对整体用户群进行变异，用户群数量由n变为2n，此时对这2n个用户按照目标函数值进行排序，选出其中最优的n个组成新的用户群，作为下次迭代的用户群。在经过透镜成像学习之后，用户群整体的质量得到了极大改善，可以节省大量时间。
[0143]
在某些时候，在进行第i轮迭代之后，此时的最优解是局部最优，有很大几率在后续迭代中无法跳出局部最优解的范围，从而导致最终无法搜索到全局最优解。为解决上述问题，引入模拟退火机制，在每轮迭代后，对本轮迭代的最优解进行基于模拟退火的二次更新，使其以一定概率接受一个更差的解，增加其跳出局部最优的机会，从而找到全局最优解。
[0144]
将改进的混合策略社交网络搜索算法hsns、原始社交网络搜索算法sns、鲸鱼优化算法woa、人工蜂群算法abc、粒子群算法pso和灰狼优化算法gwo分别对四个非线性方程组进行求解。其中，算例4维度为4，其余算例维度均为20，算例3的搜索空间为[-10,10]
20
，算例1和算例2的搜索空间为[-2，2]
20
。迭代次数均为1000。
[0145]
算例1考虑非线性方程组：
[0146]fi
(x)＝xi sin|x
i-1|＝0， i＝1，2，3，...，n
[0147]
其根为x
*
＝(-0.9346，-0.9346，...，-0.9346)
t
[0148]
算例2考虑非线性方程组：
[0149][0150]
其根为x
*
＝(1，1，...，1)
t
[0151]
算例3考虑非线性方程组：
[0152][0153]
其根的分量具有对称性，即第1维和第n维相等，第i维和第n-i 1维相等。
[0154]
算例4考虑非线性方程组：
[0155][0156]
其根为x
*
＝(*，*，...，0)
t
，特点是最后一维变量为0。
[0157]
表5-1算法运行结果
[0158]
[0159]
[0160][0161]
由函数收敛曲线和实验运行结果能够看出，改进后的社交网络搜索算法在非线性方程组的求解方面表现优秀。相较于原社交网络搜索算法和其他智能优化算法，在寻优精度，收敛速度方面都有着一定优势。
[0162]
在运用hsns算法求解蒸发模块时，运行速度和精度也在一系列优化算法在表现优秀。本发明创新型的提出在社交网络搜索算法的基础上，增加混沌映射，改进的透镜成像学习，模拟退火机制等混合策略，提出了hsns算法，事实证明，在面对复杂非线性方程组时，可以考虑采用hsns来进行求解。
[0163]
参见图6，本发明公布了一种基于混合策略sns的盐场蒸发计算系统，包括：
[0164]
第一初始化模块，所述第一初始化模块用于初始化hsns和目标函数参数；
[0165]
第二初始化模块，所述第二初始化模块基于改进的circle混沌映射初始化用户群；
[0166]
目标函数值获取模块，所述目标函数值获取模块基于初始化hsns和目标函数参数，对用户群中的每个用户所持有观点的目标函数值进行计算，获取每个用户的目标函数值；
[0167]
观点更新模块，所述观点更新模块基于每个用户所持有的观点，随机选择决策模型，更新每个用户的观点；
[0168]
第一判断模块，所述第一判断模块用于判断更新后的每个用户观点所对应的目标函数值是否大于目标函数值获取模块所获取的目标函数值；
[0169]
用户群更新模块，所述用户群更新模块基于更新后的用户群和改进的透镜成像学习产生新用户群；
[0170]
最优位置更新模块，所述最优位置更新模块基于模拟退火机制，对新用户群中的用户进行全局最优位置的更新；
[0171]
第二判断模块，所述第二判断模块用于对比更新后的最优位置与上一次的最优位置的差值，判断差值是否满足设置的要求，或者迭代次数是否达到最大数值，直至输出最优结果。
[0172]
本发明一实施例提供的终端设备。该实施例的终端设备包括：处理器、存储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上述各个方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
[0173]
所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。
[0174]
所述终端设备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。所述终端设备可包括，但不仅限于，处理器、存储器。
[0175]
所述处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，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。
[0176]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。
[0177]
所述终端设备集成的模块/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，所述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，所述计算机程序包括计算机程序代码，所述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。所述计算机可读介质可以包括：能够携带所述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-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述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电载波信号和电信信号。
[0178]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。