排产任务数据处理方法、装置、设备及存储介质

技术领域

本发明涉及仓储物流领域，具体而言，涉及一种排产任务数据处理方法、装置、设备及计算机可读存储介质。

背景技术

在基于智能排产系统的无人仓库中，商品入库时，只需将商品运送到指定入库工作站，由智能排产系统计算待入库商品所需货架的信息，由移动机器人托起所需货架到达入库工作站完成入库上架；商品出库时则由智能排产系统计算出包含待出库的商品的最合适的货架，由移动机器人托起所需货架到达出库工作站完成出库。这种基于人工智能的仓库运营方案，通过智能排产算法及移动机器人的应用，大大提高了商品入库、出库的效率。

相关技术中的智能排产系统提供多个排产模块，各个排产模块批量抓取对应的排产任务，结合当前仓库可用移动机器人、工作站、货架等资源信息，计算出任务与资源的匹配关系并下发给任务执行系统以实现上述功能。以上述入库场景为例，入库排产模块中货架的推荐策略尤为复杂，高质量的货架推荐策略，不仅要提高入库效率，更重要的是要优化库存布局，进而提高出库效率，因此需要考虑的方面包括：可用的工作站、移动机器人等设备资源，可用货架的状态及货架上的库存，商品体积、重量、销量、分散度、关联度等诸多属性对上架数量的影响等等。除了入库场景外，在出库、盘点、充电等业务场景中，采用的对应的排产模块也存在类似的排产策略。而在智能排产系统中，各个排产模块执行时都需要根据全仓资源做统筹计算，进而选出最优资源匹配关系，因而涉及的数据量较大，业务逻辑十分复杂。

在以上诸多因素中，有些是为提高出库效率考虑，如畅销的商品要尽量分散上到多个货架上，避免因包含此商品的货架被其他业务占用而无法出库的情况；有些是为硬件设施考虑，如双面货架要控制两面商品的重量，以避免货架偏载。这些偏向出库或硬件的考量势必会降低入库效率，而不考虑库存结构的入库势必会降低出库效率甚至造成硬件故障。因此，在不同行业、不同业务需求中，各因素考虑的权重也不尽相同。

随着业务的扩展，排产模块考虑的因素逐渐增多，排产策略也会越发复杂。所以，针对某排产模块已确定的考虑因素，如何灵活的调整权重；对于该排产模块未知的因素，如何便于排产模块扩展，是在智能排产系统设计上需要解决的问题。针对此类问题，相关技术中的智能排产系统设计策略通常采用两种设计方式：

1、业务策略控制方式：针对某业务场景的不同的业务需求，提供不同的排产模块，对于每个排产模块，有其独立的一套策略处理规则，再配合大量的调参进行变化。如果某排产模块无法适应新的业务需求，则再针对此类新需求增加一个排产模块。

2、线性规划求解器计算方式：基于线性规划的思想将业务策略转换为数学模型和约束条件，通过求解器求得最优解。

业务策略控制方式缺乏灵活度，对于某业务场景的不同的业务需求需要开发相应的排产模块，对于相似的业务需求，为了使用相同的排产模块，还需要增加大量的参数控制业务逻辑及权重。因此模块功能的复用度不高，维护十分复杂，每新增一种业务需求，又需要评估是使用之前的排产模块进行改造还是新增一个排产模块，随着业务的增加，采用此种方式势必会不断的增加开发成本和维护成本。

对于线性规划求解器计算方式，该方式具备了充分的灵活度和扩展性，但由于求解器是个黑盒工具，对于业务策略较纯粹的场景还能够较好的得到应用，但对于很多复杂的业务需求则很难直接转换为数据模型，如入库时的货架推荐需求，需要考虑全仓的容器库存、全仓商品体积及重量等信息，大量的数据处理和复杂的业务策略对于求解器这种纯数据模型计算的黑盒技术手段变得较难应用。

如上所述，如何提供便于智能排产系统的排产模块对于未知的因素进行扩展以及灵活地针对已确定的考虑因素调整权重，成为在智能排产系统中亟待解决的问题。

在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本发明提供一种排产任务数据处理方法、装置、设备及计算机可读存储介质，以解决相关技术中智能排产系统扩展性及灵活性较差的技术问题。

本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本发明的一方面，提供一种排产任务数据处理方法，包括：初始化模板信息，所述模板信息包括数据准备组件列表、计算组件列表和参数列表；根据所述数据准备组件列表调用数据准备组件获取任务资源数据；对所述任务资源数据进行拼装形成排产缓存对象；根据所述计算组件列表调用计算组件基于所述参数列表中的参数对所述排产缓存对象进行排产计算得到资源匹配结果。

根据本发明的一实施例，所述参数的作用域配置为所述计算组件。

根据本发明的一实施例，所述计算组件包括多个子计算组件。

根据本发明的一实施例，所述参数的作用域配置为所述多个子计算组件中的至少一个子计算组件。

根据本发明的一实施例，所述根据所述计算组件列表调用计算组件基于所述参数列表中的参数对所述排产缓存对象进行排产计算得到资源匹配结果，包括：根据所述计算组件列表调用计算组件基于所述参数列表中的参数，通过业务约束规则和算法求解器计算得到资源匹配结果。

根据本发明的一实施例，所述根据所述数据准备组件列表调用数据准备组件获取任务资源数据，包括：根据所述数据准备组件列表调用任务获取组件、移动机器人信息获取组件、货架信息获取组件和工作站信息获取组件获取任务数据、移动机器人信息数据、货架信息数据和工作站信息数据；所述对所述任务资源数据进行拼装形成排产缓存对象，包括：对所述任务数据、移动机器人信息数据、货架信息数据和工作站信息数据进行拼装形成排产缓存对象；所述根据所述计算组件列表调用计算组件基于所述参数列表中的参数对所述排产缓存对象进行排产计算得到资源匹配结果，包括：根据所述计算组件列表依次调用货架推荐组件和移动机器人匹配组件基于所述参数列表中的参数对所述排产缓存对象进行排产计算得到移动机器人与货架匹配结果。

根据本发明的再一方面，提供一种排产任务数据处理装置，包括：初始化单元，用于初始化模板信息，所述模板信息包括数据准备组件列表、计算组件列表和参数列表；数据获取单元，与所述初始化单元连接，用于根据所述数据准备组件列表调用数据准备组件获取任务资源数据；缓存拼装单元，与所述数据获取单元连接，用于对所述任务资源数据进行拼装形成排产缓存对象；匹配计算单元，与所述缓存拼装单元连接，用于根据所述计算组件列表调用计算组件基于所述参数列表中的参数对所述排产缓存对象进行排产计算得到资源匹配结果。

根据本发明的一实施例，所述匹配计算单元，还用于根据所述计算组件列表调用计算组件基于所述参数列表中的参数，通过业务约束规则和算法求解器计算得到资源匹配结果。

根据本发明的再一方面，提供一种排产任务数据处理设备，包括：存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令，所述处理器执行所述可执行指令时实现如上述任意一种方法。

根据本发明的再一方面，提供一种计算机可读存储介质，其上存储有计算机可执行指令，所述可执行指令被处理器执行时实现如上述任意一种方法。

根据本发明实施例提供的方法，通过初始化包括数据准备组件列表、计算组件列表和参数列表的模板信息，再根据所述数据准备组件列表调用数据准备组件获取任务资源数据，然后对所述任务资源数据进行拼装形成排产缓存对象，最后根据所述计算组件列表调用计算组件基于所述参数列表中的参数对所述排产缓存对象进行排产计算得到资源匹配结果，从而可实现排产模块的模板化、组件化的设计及整合，提高了系统的可复用度和可扩展性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。

附图说明

通过参照附图详细描述其示例实施例，本发明的上述和其它目标、特征及优点将变得更加显而易见。

图1是根据一示例性实施例示出的一种排产任务数据处理方法的流程图。

图2是根据一示例性实施例示出的另一种排产任务数据处理方法的流程图。

图3是根据一示例性实施例示出的一种基于排产模板的入库排产模块计算组件执行流程图

图4是根据一示例性实施例示出的一种排产任务数据处理装置的框图。

图5是根据一示例性实施例示出的一种排产任务数据处理设备的框图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施例使得本发明将更加全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现或者操作以避免喧宾夺主而使得本发明的各方面变得模糊。

此外，在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。符号“/”一般表示前后关联对象是一种“或”的关系。

在本发明中，除非另有明确的规定和限定，“连接”等术语应做广义理解，例如，可以是电连接或可以互相通讯；可以是直接相连，也可以通过中间媒介间接相连。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。

在本发明中，在无人仓库中应用的移动机器人为轮式移动机器人(WheeledMobile Robot，简称WMR)，其中常用的一种为自动导引运输车(Automated GuidedVehicle，简称AGV)，是指装备有电磁或光学等自动导引装置，能够沿规定的导引路径行驶，且具有安全保护以及各种移载功能的运输车。

如上所述，因数据量较大、业务逻辑复杂，业务策略控制方式缺乏灵活度，模块功能的复用度不高，维护十分复杂，开发成本和维护成本高；线性规划求解器计算方式难以将复杂的业务需求直接转换为数据模型。因此，本发明提供了一种排产任务数据处理方法，通过实现排产模块的模板化、组件化的设计及整合，针对不同业务需求灵活组配策略组件并调整策略参数，使得应对物流仓储不同的场景使可应用不同的排产模板，因而需求变化或扩展后只需要增加组件或调参来满足业务需求，提高了系统的可复用度和可扩展性，降低了开发成本。

图1是根据一示例性实施例示出的一种排产任务数据处理方法的流程图。如图1所示的方法例如可以应用于排产任务数据处理系统的服务器端。

参考图1，方法10包括：

在步骤S102中，初始化模板信息，该模板信息包括数据准备组件列表、计算组件列表和参数列表。在一个实施例中，无人仓库智能排产系统应对复杂业务场景时，将每个业务场景对应设置一个排产模块，如入库排产模块、出库排产模块、回库排产模块等。每个排产模块设置若干排产模板，如针对入库场景可设计日常入库使用的排产模板，或针对搬仓、大促使用的排产模板等等。每个排产模板配置了一组数据准备组件、一组计算组件和一组参数，排产模板与排产组件可以是多对多的关系，便于复用。

在步骤S104中，根据数据准备组件列表调用数据准备组件获取任务资源数据。在一个实施例中，数据准备组件独立于排产模块而存在，可被多个排产模板配置其中，每个组件仅获取一类数据用于查询各类资源情况，如入库任务获取组件仅获取待处理的入库任务信息，移动机器人信息获取组件仅获取移动机器人设备的数据等等。

在步骤S106中，对任务资源数据进行拼装形成排产缓存对象。在一个实施例中，该步骤主要将上一步骤获取的数据进一步拼装、整合，最终汇总成一个排产缓存对象，供下一步骤排产计算使用。

在步骤S108中，根据计算组件列表调用计算组件基于参数列表中的参数对排产缓存对象进行排产计算得到资源匹配结果。在一个实施例中，计算组件独立于排产模块而存在，可被多个排产模板配置其中，每个计算组件仅处理一类计算；模板中的参数用于算法调参；该步骤依次调用计算组件列表中的计算组件，获得资源匹配结果，并将结果拼装到排产缓存对象中。

根据本发明实施例提供的方法，通过初始化包括数据准备组件列表、计算组件列表和参数列表的模板信息，再根据所述数据准备组件列表调用数据准备组件获取任务资源数据，然后对所述任务资源数据进行拼装形成排产缓存对象，最后根据所述计算组件列表调用计算组件基于所述参数列表中的参数对所述排产缓存对象进行排产计算得到资源匹配结果，从而可实现排产模块的模板化、组件化的设计及整合，进而针对不同业务需求灵活组配策略组件并调整策略参数，形成排产模板，使得应对物流仓储不同的场景使可应用不同的排产模板；并且需求变化或扩展后只需要增加组件或调参来满足业务需求，使排产模块的诸多排产策略达到高内聚、低耦合，提高了系统的可复用度和可扩展性，降低了开发成本。

在一些实施例中，模板参数的作用域配置为整个排产模块，作用于计算组件内，用于计算组件的算法进行参数调用。

在一些实施例中，计算组件进一步包括多个子计算组件，这种包括没有层级限制，用于处理更复杂的问题；此时参数的作用域可以配置为整个排产模块，作用于多个子计算组件，也可以配置为某一个子计算组件内。这样，对于同一个排产模块，针对不同的业务需求，可以采用不同的组件组配方式，或修改模板参数进行调参，依此来满足相应需求。甚至可以构建多个排产模板，同时满足不同的业务需求。

在一个实施例中，根据计算组件列表调用计算组件基于参数列表中的参数对排产缓存对象进行排产计算得到资源匹配结果，包括：根据计算组件列表调用计算组件基于参数列表中的参数，通过业务约束规则和算法求解器计算得到资源匹配结果。具体地，如前所述，对于每个排产场景，可应用独立的一套业务约束规则，而算法求解器为基于线性规划的思想将业务策略转换为数学模型和约束条件，通过求解器求得最优解，因此在实现独立功能的单个计算组件中可采用以上两种方法进行排产计算。本发明不以此为限。

根据本发明实施例提供的排产任务数据处理方法，通过初始化包括数据准备组件列表、计算组件列表和参数列表的模板信息，再根据数据准备组件列表调用数据准备组件获取任务资源数据，然后对任务资源数据进行拼装形成排产缓存对象，最后根据计算组件列表调用多个子计算组件基于参数列表中的参数对排产缓存对象进行排产计算得到资源匹配结果，在实现排产模块的模板化、组件化的设计的基础上，通过组件的划分，能够更清晰缕清排产模块的代码结构，更好的拆分代码单元，更有利于架构的理解和工作的分工，进一步提升了智能排产系统代码的可读性和可维护性，降低了系统维护成本。

图2是根据一示例性实施例示出的一种排产任务数据处理方法的流程图。如图2所示的方法例如可以应用于排产任务数据处理系统的服务器端。

参考图2，方法20包括：

在步骤S202中，初始化模板信息，模板信息包括数据准备组件列表、计算组件列表和参数列表。在一个实施例中，初始化模板相关信息，包括模板名称、模板标识符、数据准备组件列表、计算组件列表、参数列表等信息。

在步骤S204中，根据数据准备组件列表调用任务获取组件、移动机器人信息获取组件、货架信息获取组件和工作站信息获取组件获取任务数据、移动机器人信息数据、货架信息数据和工作站信息数据。在一个实施例中，例如，在入库排产模块中，会依次调用入库任务获取组件、移动机器人设备信息获取组件、货架信息获取组件、工作站信息获取组件、库存信息获取组件、商品信息获取组件等，获取入库任务数据、移动机器人信息数据、货架信息数据、工作站信息数据、库存信息数据和商品信息数据等。

在步骤S206中，对任务数据、移动机器人信息数据、货架信息数据和工作站信息数据进行拼装形成排产缓存对象。在一个实施例中，例如，在入库排产模块中，将获取的入库任务数据、移动机器人信息数据、货架信息数据、工作站信息数据、库存信息数据和商品信息数据等进行拼装形成入库排产缓存对象。

在步骤S208中，根据计算组件列表依次调用货架推荐组件和移动机器人匹配组件基于参数列表中的参数对排产缓存对象进行排产计算得到移动机器人与货架匹配结果。

在一个实施例中，如图3所示，图3是根据一示例性实施例示出的一种基于排产模板的入库排产模块计算组件执行流程图300；在入库排产模块中，在排产计算时会依次调用货架推荐组件301和移动机器人匹配组件302，在货架推荐组件301中，又会依次调用商品拆分组件3011(将待入库商品拆分为入到零拣货架部分和入到保管货架部分)、零拣货架上架组件3012、保管货架上架组件3013；而在零拣货架上架组件3012中，涉及到货架打分的策略，由于策略比较复杂、需求变化度较大，因此根据业务约束规则在货架打分策略中配置了状态分打分组件30111、重量分打分组件30112、体积分打分组件30113、畅销度匹配打分组件30114、关联度匹配打分组件30115等，每类分值的权重参数配置在模板参数中，因而可根据不同的业务需求对货架打分策略做相应调整。如搬仓时由于入库量大，时间短，需要快速上架，因此该入库模式下，使用搬仓入库排产模板，在该模板中对于为提升出库效率而导致入库效率下降的项，其分值权重可以调小一些。

在一个实施例中，现基于具体的应用场景来说明该方法的执行流程。

设1001号工作站有2个上架任务，商品A待上架200件、商品B待上架500件。

入库排产模块首先初始化模板数据，加载数据准备组件、计算组件和参数信息。

执行数据准备组件，通过移动机器人信息获取组件获取移动机器人基本信息数据，通过工作站信息获取组件获取工作站基本信息，通过货架信息获取组件和库存信息获取组件获取可用货架及库存信息。

基于上一步骤获取的资源信息，拼装形成入库排产缓存对象，开始执行入库排产模块计算组件。

入库排产模块计算组件中，首先执行商品拆分组件3011，假设通过计算得出商品A的200件都上架到零拣货架上，商品B的200件上架到零拣货架上、300件上架到保管货架上。零拣货架上通常保存可保证7日出库量的商品，货架打分时要考虑商品分散、商品关联度等众多维度；保管货架上不考虑商品分散，货架打分时使商品尽量上到一个货架上。其中，商品关联度是指在商品出库时，如果两种商品经常出现在同一订单或同一时段，则认为此两种商品存在关联性。可通过一定算法计算出此两种商品的关联度，用来衡量这种关联性。关联度高的商品应尽量放在一个货架上，方便同时出库，提高出库效率。

商品拆分后，先执行零拣货架上架组件3012。在零拣货架上架组件3012中，会执行商品默认一份上架量、过滤货架等操作，在针对可用的货架进行打分选择时，会涉及到不同的考量，此处会依次调用模板中配置的打分组件，包括状态分打分组件30111、重量分打分组件30112、体积分打分组件30113、畅销度匹配打分组件30114、关联度匹配打分组件30115等，然后将每个打分组件得分乘以权重参数求和，得出货架得分(此处可根据不同的业务需求，在模板参数中设置各打分组件的权重值)。最后根据货架得分排序，从高往低选择上架货架，直到待入库的所有商品推荐完或移动机器人、工作站等资源不够时结束。

零拣货架上架组件3012结束后，如果还有移动机器人等资源，则进入保管货架上架组件3013，保管货架上架组件3013的执行流程与零拣货架上架组件3012类似，此处不再赘述。

货架推荐组件301执行结束后，会得出待上架货架及上架商品数量，如推荐10001货架上架商品A100件、商品B100件；100002货架上架商品A100件，商品B100件，100101货架上架商品B300件等。然后开始执行移动机器人匹配组件302。

移动机器人匹配组件302将对移动机器人、货架做两两匹配求解，得出移动机器人与货架的最佳匹配。

最后将移动机器人、货架、工作站、上架商品数量的匹配关系拼装成任务数据，下发给下游执行单元。

根据本发明实施例提供的排产任务数据处理方法，通过灵活的排产模板的组配方式，有效的应对了无人仓库业务需求的多样性和变化性，提高了系统组件的可复用度，提高了系统的可扩展性，进而降低了开发成本。同时，通过组件的划分，能够更清晰缕清排产模块的代码结构，更好的拆分代码单元，更有利于架构的理解和工作的分工，进而提高了代码的可读性和系统的可维护性，从而降低了维护成本。

图4是根据一示例性实施例示出的一种排产任务数据处理装置的框图。

如图4所示，装置400包括初始化单元401，用于初始化模板信息，所述模板信息包括数据准备组件列表、计算组件列表和参数列表；

数据获取单元402，与所述初始化单元连接，用于根据所述数据准备组件列表调用数据准备组件获取任务资源数据；

缓存拼装单元403，与所述数据获取单元连接，用于对所述任务资源数据进行拼装形成排产缓存对象；

匹配计算单元404，与所述缓存拼装单元连接，用于根据所述计算组件列表调用计算组件基于所述参数列表中的参数对所述排产缓存对象进行排产计算得到资源匹配结果。进一步地，匹配计算单元504还用于根据所述计算组件列表调用计算组件基于所述参数列表中的参数，通过业务约束规则和算法求解器计算得到资源匹配结果。

描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括初始化单元、数据获取单元、缓存拼装单元和匹配计算单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，数据获取单元还可以被描述为“从所连接的存储器获取数据的单元”。

图5是根据一示例性实施例示出的一种排产任务数据处理设备的框图。需要说明的是，图5示出的设备仅以计算机系统为示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，设备500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有设备500操作所需的各种程序和数据。CPU501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令，所述处理器执行所述可执行指令时实现上述的方法。

以上具体地示出和描述了本发明的示例性实施例。应可理解的是，本发明不限于这里描述的详细结构、设置方式或实现方法；相反，本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。