一种适应多工况空中造楼机的结构设计与优化方法及系统

技术领域

本发明涉及结构化设计技术领域，更具体涉及一种适应多工况空中造楼机的结构设计与优化方法及系统。

背景技术

随着过去二十年全球城镇化的快速发展，高层建筑凭借其设计美观、环境舒适、节省土地等优点，在世界范围内得到了广泛推崇和使用。然而高层建筑施工具有难度大、风险高、组织复杂等一系列难题，亟需一种先进的施工装备来改善现场作业环境、提升建筑施工效率。基于上述需求，空中造楼机(即施工装备集成平台)凭借其装备集成度高、类工厂作业、施工速度快、施工安全有保障等特点，在国内众多地标性建筑施工中发挥了显著作用，极大地提高了高层建筑施工机械化、智能化水平，推动我国高层建筑施工技术迈向了新的高度。在造楼机设计过程中，动力系统主要由专业厂商提供，支撑系统、模板系统和挂架系统可以在现场直接组装，而钢平台(桁架系统)则需要设计人员根据现场实际情况进行针对性设计。造楼机钢平台主要用于悬挂模板、挂架，同时是上部施工机械和施工材料的堆场，因此钢平台必须具备足够的刚度与强度，其造楼机钢平台的设计成为技术人员需要解决的主要问题。

传统的造楼机钢平台设计方法主要基于模数设计规则，通过对结构平面划分网格，按照基本模数进行尺寸设计，实现桁架系统的模块化配置。但传统方法存在工作效率低、依赖专家经验、设计偏于保守等问题。因此，有必要结合先进的设计方法与智能算法，对造楼机钢平台的设计过程进行优化，那么如何将先进的设计方法、智能优化算法与造楼机钢平台设计相结合，实现设计过程的规则制定、快速迭代以及方案灵活选择，是一个关键性问题。

由此，本发明提出一种适应多工况空中造楼机的结构设计与优化方法及系统，用于实现多种工况下造楼机结构设计方案的快速生成与灵活选择。

发明内容

针对上述提出的技术问题，本发明提供一种适应多工况空中造楼机的结构设计与优化方法及系统，以实现多种工况下造楼机结构设计方案的快速生成与灵活选择。

第一方面，本发明提供了一种适应多工况空中造楼机的结构设计与优化方法，所述方法包括如下步骤：

步骤S1：对空中造楼机结构进行参数化处理，所述参数化处理过程在Grasshopper中进行，获取所述参数化处理后的空中造楼机结构参数；

步骤S2：基于snapshot策略使用所述空中造楼机结构参数的数据训练集成深度学习模型，所述集成深度学习模型以卷积神经网络模型为基模型，经过M个周期训练后获取M个神经网络模型，并通过求解所述M个神经网络模型的输出平均值作为集成深度学习模型的预测结果；

步骤S3：基于所述预测结果使用NSGA-II多目标优化算法，提出基于LHS的随机优化方法，将优化问题中的约束条件更换为概率约束，通过采用LHS方法在外界荷载概率密度分布中进行多次抽样，从而模拟所述外界荷载的不确定性，获取适应多工况的空中造楼机钢平台结构。

作为本发明的一种优选技术方案，所述步骤S1中，所述空中造楼机的参数化处理过程包括如下步骤：

步骤S11：首先，根据核心筒的外部剪力墙位置，确定钢平台的外围桁架位置，其次，根据所述核心筒内部剪力墙位置，确定所述钢平台支撑钢柱的移动范围，然后，根据桁架悬臂长度要求，确定所述钢平台外侧钢柱支撑点，除以上参数外的其他参数均采用参数化，所述参数化是指使用某种方法将固定值替换为参数；

步骤S12：根据模块设计规则，所述支撑钢柱的移动步长大于等于第一模数，通过参数化编程设置判断语句，根据所述支撑钢柱移动距离自动在上部生成相应类型的贝雷片，从而组成钢平台，在所述钢平台外桁架与主桁架间设置横向支撑，并对撑杆数量进行参数化，以完成所述空中造楼机参数化建模，所述模数是指选定的标准尺度计量单位。

作为本发明的一种优选技术方案，完成所述空中造楼机参数化建模后，还包括：通过设置材料属性、截面分配、外部载荷、边界约束和空间网格，将所述空中造楼机的几何模型转换为物理模型，实现所述几何模型和所述物理模型之间的数据流传递，最后计算和输出结构响应数据，所述结构响应是指所述结构受外力作用后引起的应力、位移、变形和屈曲。

作为本发明的一种优选技术方案，所述步骤S2中所述卷积神经网络(1D-CNN)模型，CNN模型架构主要由卷积特征提取层和全连接层组成，所述卷积特征提取层由卷积层和池化层组成，用于提取数据特征，所述全连接层用于特征数据的回归输出。

作为本发明的一种优选技术方案，所述snapshot策略通过在所述集成深度学习模型训练过程中采用循环余弦退火学习率，使所述集成深度学习模型收敛至多个局部极小值，当所述学习率周期重新开始时，所述集成深度学习模型的性能暂时下降，在所述学习率退火之后，性能最终超过前一个循环，将训练过程分为M个周期，每个周期从高学习率开始，逐步衰减到较低的学习率，初始学习率为所述集成深度学习模型提供了足够的能量来远离当前梯度点，而最低学习率将所述集成深度学习模型引导至表现良好的局部最小值，在每个训练周期结束时，所述集成深度学习模型在训练损失方面达到了局部最小值，在提高所述学习率之前，保存一次所述集成深度学习模型权重与偏置，其中M为大于等于1的正整数。

作为本发明的一种优选技术方案，所述步骤S3中的所述约束条件是指不同工况下的结构可靠度，不同工况下的所述结构可靠度通过相应的载荷分布来抽样和计算，所述不同工况包括施工工况和异常工况。

作为本发明的一种优选技术方案，所述步骤S3在优化过程中，从每个变量的概率密度分布获得k个样本后，通过优化算法计算获得k个样本的输出目标值，其中n表示满足约束范围内的结果数量，因此概率被确定为p(x)＝n/k。

作为本发明的一种优选技术方案，采用基于场景的概率方法，假定在所述不同工况下所述外界荷载遵循不同的概率分布，将不同工况下的结构可靠度设置为优化问题当中的概率约束，从而得到适应多工况的空中造楼机钢平台结构。

第二方面，本发明提供了一种适应多工况空中造楼机的结构设计与优化系统，所述系统包括：

参数化设计模块，用于对空中造楼机结构进行参数化处理，所述参数化处理过程在Grasshopper中进行，获取所述参数化处理后的空中造楼机结构参数；

AI代理模型模块，用于在snapshot策略的基础上使用所述空中造楼机结构参数的数据训练集成深度学习模型，所述集成深度学习模型以卷积神经网络模型为基模型，经过M个周期训练后获取M个神经网络模型，并通过求解所述M个神经网络模型的输出平均值作为集成深度学习模型的预测结果；

目标优化模块，用于在所述预测结果的基础上使用NSGA-II多目标优化算法，提出基于LHS的随机优化方法，将优化问题中的约束条件更换为概率约束，通过采用LHS方法在外界荷载概率密度分布中进行多次抽样，从而模拟所述外界荷载的不确定性，获取适应多工况的空中造楼机钢平台结构。

第三方面，本发明还提供一种存储介质，所述存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现上述所述的适应多工况空中造楼机的结构设计与优化方法。

与现有技术相比，本发明的有益效果至少如下所述：

1、本发明的技术方案通过结合参数化设计方法和多目标优化算法，并考虑来自环境的不确定性因素，实现了多种工况下造楼机结构设计方案的快速生成与灵活选择。

2、本发明的技术方案通过对造楼机结构进行了参数化处理，基于snapshot策略提出了集成深度学习模型，采用考虑不确定性的NSGA-II多目标优化算法快速生成满足使用需求的造楼机钢平台结构，结构可靠度可达0.9999。与采用最优空间填充(OSF)生成的100个测试案例相比，本发明得到的最优设计方案在施工工况下的综合提升率为16.59％，在异常工况下的综合提升率为16.91％。结果表明，本发明使用的基于LHS的随机优化方法和集成深度学习模型具有较好的准确性与计算效率。此发明有效提升了空中造楼机结构设计过程的可视化、交互性以及智能化水平。

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，还可以根据提供的附图获得其他的附图。

图1为本发明一种适应多工况空中造楼机的结构设计与优化方法的步骤流程图；

图2为本发明中的空中造楼机设计流程图；

图3为本发明中的钢平台主桁架六种布置形式图；

图4为本发明中的钢平台横向支撑布置区域图；

图5为本发明中的空中造楼机物理模型图；

图6为本发明中的设计结果展示图；

图7为本发明一种适应多工况空中造楼机的结构设计与优化系统的组成结构图；

图7中所示：100、适应多工况空中造楼机的结构设计与优化系统；101、参数化模块；102、预测模块；103、目标优化模块。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。

传统的造楼机钢平台设计方法主要基于模数设计规则，通过对结构平面划分网格，按照基本模数进行尺寸设计，实现桁架系统的模块化配置，这种传统的造楼机钢平台设计方法存在工作效率低、依赖专家经验、设计偏于保守等问题。

针对上述的技术问题，发明人提出如图1所示的适应多工况空中造楼机的结构设计与优化方法，包括如下步骤：

步骤S1：对空中造楼机结构进行参数化处理，参数化处理过程在Grasshopper中进行，获取参数化处理后的空中造楼机结构参数；

步骤S2：基于snapshot策略使用空中造楼机结构参数的数据训练集成深度学习模型，集成深度学习模型以卷积神经网络模型为基模型，经过M个周期训练后获取M个神经网络模型，并通过求解M个神经网络模型的输出平均值作为集成深度学习模型的预测结果；

步骤S3：基于预测结果使用NSGA-II多目标优化算法，提出基于LHS的随机优化方法，将优化问题中的约束条件更换为概率约束，通过采用LHS方法在外界荷载概率密度分布中进行多次抽样，从而模拟外界荷载的不确定性，获取适应多工况的空中造楼机钢平台结构。

具体的，本实施例提供一种适应多工况空中造楼机的结构设计与优化方法，如图2，实施例为某400m高层建筑施工的轻量化造楼机应用。通过对空中造楼机结构进行参数化处理，获取空中造楼机结构参数，其中参数化过程是在Grasshopper中进行，Grasshopper是一款在Rhino环境下运行的采用程序算法生成模型的插件，是数据化设计方向的主流软件之一。更具体的空中造楼机结构参数化设计如下：首先，根据核心筒的外部剪力墙体位置，可以确定外围桁架位置。其次，根据核心筒内部剪力墙位置，确定支撑钢柱的移动范围。然后，按照桁架悬臂长度要求，可以确定钢平台外侧钢柱支撑点。除这些参数外，其余参数均可参数化。本例中钢平台主桁架整体布局x

表1.变量取值表

采用基于聚类的最优空间填充(OSF)方法，按照表1所示变量生成3000组样本，将生成的样本导入几何设计软件和有限元计算软件，计算应力比、位移和用钢量，最终得到用于模型训练和测试的样本。在本实施例中，使用snapshot策略的集成深度学习模型来预测结构响应，该模型网络共有7层，包括用于高级特征提取的三个一维卷积层和用于回归的四个全连接层，关于集成深度学习模型的详细信息如表2所示。其中OSF是一种用于高维数据集的聚类算法，它是一种基于网格的方法，将数据空间划分为一系列的小立方体，然后通过填充这些小立方体来找到最优的聚类结果，OSF算法的优势在于它是一种自适应的聚类方法，可以处理高维数据集，并且可以自动确定聚类数量。

表2.集成深度学习模型的参数信息

在结构可靠度研究领域，常见荷载遵循一定的概率分布，因此，可将平台堆载和风荷载视为活荷载，挂架荷载和模板荷载视为恒荷载，具体分布与参数取值如表4。本发明优化问题的目标是最大限度减少结构应力比、位移和用钢量，不同工况下的结构可靠度被视为约束条件，通过相应的载荷分布抽样和计算，获取施工工况下的结构应力可靠度和位移可靠度，大风工况下的结构应力可靠度和位移可靠度。

本发明方法从帕累托前沿(多目标优化问题中找到最优解)当中选出最佳设计方案，如图6所示，其具体设计参数如表5所示。经过10000次蒙特卡洛检验，结构可靠度最低可达到0.9999，频率分布与累积分布，表明由本发明生成式设计方法得到的最佳设计方案可以满足各工况下的可靠度要求。通过有限元仿真，从结构受力、位移云图中可知最佳方案结构设计合理，各项指标均在安全范围内。通过与最优空间填充设计(OSF)产生的100个测试样本对比，最佳设计方案在施工工况下3个目标值的总体提升率为16.59％，在极端大风工况下的总体提升率为16.91％，各项目标值优化率如表6所示，结果显示最佳设计方案较测试样本具有明显的优化提升效果。LHS(拉丁超立方抽样)的随机优化方法是指一种优化问题求解方法，通过在解空间中进行随机抽样，以获得一组代表性的样本点，并在此基础上进行优化求解。

其中，LHS(拉丁超立方抽样方法)是一种高效的随机抽样技术，能够保证样本点在解空间中均匀分布，从而减少了样本点的重叠和遗漏，提高了随机抽样的效率。在基于LHS的随机优化方法中，首先使用LHS抽样技术生成一组代表性的样本点，然后通过某种优化算法(如梯度下降、遗传算法等)对样本点进行优化，找到最优解。另外，参数化是指使用某种方法将固定值替换为参数，以便扩展基本测试或组件的范围，从而提高测试或组件的功能和灵活性。

进一步的，上述步骤S1中，空中造楼机的参数化处理过程包括如下步骤：

步骤S11：首先，根据核心筒的外部剪力墙位置，确定钢平台的外围桁架位置，其次，根据核心筒内部剪力墙位置，确定钢平台支撑钢柱的移动范围，然后，根据桁架悬臂长度要求，确定钢平台外侧钢柱支撑点，除以上参数外的其他参数均采用参数化，参数化是指使用某种方法将固定值替换为参数；

步骤S12：根据模块设计规则，支撑钢柱的移动步长大于等于第一模数，通过参数化编程设置判断语句，根据支撑钢柱移动距离自动在上部生成相应类型的贝雷片，从而组成钢平台，在钢平台外桁架与主桁架间设置横向支撑，并对撑杆数量进行参数化，以完成空中造楼机参数化建模，模数是指选定的标准尺度计量单位。

具体的，上述实施例中参数化过程在Grasshopper中进行，确定各参数数值后，通过参数化编程设置判断语句，根据支撑钢柱移动距离自动在上部生成相应类型的贝雷片，从而组成钢平台，最后在钢平台外桁架与主桁架间设置横向支撑，并对撑杆数量进行参数化，以保证桁架系统具有合适的平面外刚度。其中第一模数是建筑物及其构件(或组合件)选定的标准尺寸单位，并作为尺度协调中的增值单位，成为建筑模数单位。

进一步的，完成上述空中造楼机参数化建模后，还包括：通过设置材料属性、截面分配、外部载荷、边界约束和空间网格，将空中造楼机的几何模型转换为物理模型，实现几何模型和物理模型之间的数据流传递，最后计算和输出结构响应数据，结构响应是指结构受外力作用后引起的应力、位移、变形和屈曲。

具体的，参数模型的几何信息将通过GAMA插件从Grasshopper传递至结构有限元分析软件YJK。几何参数模型的材料属性、截面分配、外部载荷和边界约束可由GAMA可视化编程设置，并将物理信息实时映射到YJK，计算和输出结构响应数据。为了提高代理模型的预测精度，需要从YJK中获得大量的物理数据样本，通过插件GH_CPython进行二次开发，Grasshopper可以自动读取不同的设计参数，并将设计数据流传输到GAMA。同时，通过GAMA中自定义卡片功能，实现了Grasshopper、GAMA和YJK的联合大规模批量计算。YJK-GAMA是建筑行业一款集可视化编程、参数化设计和计算机辅助优化于一身的数字化智能设计软件。

进一步的，上述步骤S2中卷积神经网络(1D-CNN)模型，CNN模型架构主要由卷积特征提取层和全连接层组成，卷积特征提取层由卷积层和池化层组成，用于提取数据特征，全连接层用于特征数据的回归输出。

具体的，集成深度学习模型网络共有7层，包括用于高级特征提取的三个一维卷积层和用于回归的四个全连接层。关于集成深度学习模型的详细信息如表2所示。具体来说，训练的epochs总数是200，周期M是5，也就是说，集成深度学习模型中有5个基模型，每个基模型训练40epochs。此外，训练数据、验证数据与测试数据按照6:2:2的比例进行划分。如表3所示，测试结果表明集成深度学习模型预测精度较高，对结构应力比、位移以及用钢量的R

表3.模型性能评估

进一步的，上述snapshot策略通过在集成深度学习模型训练过程中采用循环余弦退火学习率，使集成深度学习模型收敛至多个局部极小值，当学习率周期重新开始时，集成深度学习模型的性能暂时下降，在学习率退火之后，性能最终超过前一个循环，将训练过程分为M个周期，每个周期从高学习率开始，逐步衰减到较低的学习率，初始学习率为集成深度学习模型提供了足够的能量来远离当前梯度点，而最低学习率将集成深度学习模型引导至表现良好的局部最小值，在每个训练周期结束时，集成深度学习模型在训练损失方面达到了局部最小值，在提高学习率之前，保存一次集成深度学习模型权重与偏置，其中M为大于等于1的正整数。

具体的，通过采用集成学习策略，可以避免模型陷入局部最优，从而降低模型方差，提高预测精度。

进一步的，上述步骤S3中的约束条件是指不同工况下的结构可靠度，不同工况下的结构可靠度通过相应的载荷分布来抽样和计算，不同工况包括施工工况和异常工况。

具体的，本实施例优化问题的目标是最大限度减少结构应力比、位移和用钢量，不同工况下的结构可靠度被视为约束条件，通过相应的载荷分布来抽样和计算。异常工况包括，如大风工况等工况情况。在结构可靠度研究领域，常见荷载遵循一定的概率分布。因此，可将平台堆载和风荷载视为活荷载，挂架荷载和模板荷载视为恒荷载，具体分布与参数取值如表4。

表4.荷载概率分布与参数单位:N/mm

进一步的，上述步骤S3在优化过程中，从每个变量的概率密度分布获得k个样本后，通过优化算法计算获得k个样本的输出目标值，其中n表示满足约束范围内的结果数量，因此概率被确定为p(x)＝n/k。

进一步的，由于造楼机施工过程中存在施工工况、极端大风工况多种工况，因此，采用基于场景的概率方法，假定在不同工况下外界荷载遵循不同的概率分布，将不同工况下的结构可靠度设置为优化问题当中的概率约束，从而得到适应多工况的空中造楼机钢平台结构。

具体的，在结构可靠度研究领域，常见荷载遵循一定的概率分布，本案例优化问题的目标是最大限度减少结构应力比、位移以及用钢量，将它们分别作为三个目标函数，在优化问题中进行最小化设计，应力比用于从强度角度评估结构材料的安全能力；最大位移用于评估整个结构的变形和刚度；用钢量用于评价结构设计的成本效益。结构应力比、位移和用钢量三个目标之间存在一定的关系，在设计过程中需要进行综合考虑和优化，通过优化结构设计，可以同时达到降低结构应力比、减小位移和减少用钢量的目标。

不同工况下的结构可靠度被视为约束条件。不同工况下的结构可靠度通过相应的载荷分布来抽样和计算。优化问题可总结归纳如下：

min F(x)＝(f

s.t.

其中，

设置NSGA-II个体数为50，迭代次数为200次，交叉率为0.95，突变率为0.05。结合VIKOR多准则决策方法，其中决策系数取0.5，可选出最佳设计方案。根据《钢结构设计标准》(GB 50017-2017)，钢结构体系的应力比不能大于1，而结构的最大垂直位移不能大于120mm，侧向位移不能大于96mm。本案例中，应力比和位移控制阈值分别取1和96mm。在此基础上，为了计算和验证最优设计方案的结构可靠度，根据定义的荷载概率分布生成10000个随机样本。使用训练的集成深度学习模型对10000个蒙特卡洛样本的预测结果进行统计分析，可获得结构可靠度。进一步，为了测试最优设计方案的优化效果，使用最优空间填充设计(OSF)生成100个测试用例与最优设计方案进行比较。

结果表明，本发明方法可以从帕累托前沿(多目标优化问题中找到最优解)当中选出最佳设计方案，如图6所示，其具体设计参数如表5所示。经过10000次蒙特卡洛检验，结构可靠度最低可达到0.9999，频率分布与累积分布，表明由本发明生成式设计方法得到的最佳设计方案可以满足各工况下的可靠度要求。通过有限元仿真，从结构受力、位移云图中可知最佳方案结构设计合理，各项指标均在安全范围内。通过与最优空间填充设计(OSF)产生的100个测试样本对比，最佳设计方案在施工工况下3个目标值的总体提升率为16.59％，在极端大风工况下的总体提升率为16.91％，各项目标值优化率如表6所示，结果显示最佳设计方案较测试样本具有明显的优化提升效果。

表5.最佳设计方案设计参数

表6.最佳设计方案提升对比

本发明还提供一种如图7所示的适应多工况空中造楼机的结构设计与优化系统100，包括如下模块：

参数化设计模块101，用于对空中造楼机结构进行参数化处理，参数化处理过程在Grasshopper中进行，获取参数化处理后的空中造楼机结构参数；

AI代理模型模块102，用于在snapshot策略的基础上使用空中造楼机结构参数的数据训练集成深度学习模型，集成深度学习模型以卷积神经网络模型为基模型，经过M个周期训练后获取M个神经网络模型，并通过求解M个神经网络模型的输出平均值作为集成深度学习模型的预测结果；

目标优化模块103，用于在预测结果的基础上使用NSGA-II多目标优化算法，提出基于LHS的随机优化方法，将优化问题中的约束条件更换为概率约束，通过采用LHS方法在外界荷载概率密度分布中进行多次抽样，从而模拟外界荷载的不确定性，获取适应多工况的空中造楼机钢平台结构。

本发明还提供一种计算机存储介质，存储介质存储有程序指令，其中，在程序指令运行时控制计算机存储介质所在设备执行上述的适应多工况空中造楼机的结构设计与优化方法。

综上所述，通过对空中造楼机结构进行参数化处理，获取参数化处理后的空中造楼机结构参数；基于snapshot策略使用空中造楼机结构参数的数据训练集成深度学习模型，集成深度学习模型以卷积神经网络模型为基模型，经过M个周期训练后获取M个神经网络模型，并通过求解M个神经网络模型的输出平均值作为集成深度学习模型的预测结果；基于预测结果使用NSGA-II多目标优化算法，提出基于LHS的随机优化方法，将优化问题中的约束条件更换为概率约束，通过采用LHS方法在外界荷载概率密度分布中进行多次抽样，从而模拟外界荷载的不确定性，获取适应多工况的空中造楼机钢平台结构。实现了多种工况下造楼机结构设计方案的快速生成与灵活选择。通过对造楼机结构进行了参数化处理，基于snapshot策略提出了集成深度学习模型，采用考虑不确定性的NSGA-II多目标优化算法快速生成满足使用需求的造楼机钢平台结构，结构可靠度可达0.9999。与采用最优空间填充(OSF)生成的100个测试案例相比，本发明得到的最优设计方案在施工工况下的综合提升率为16.59％，在极端大风工况下的综合提升率为16.91％。结果表明，本发明使用的基于LHS的随机优化方法和集成深度学习模型具有较好的准确性与计算效率。此发明有效提升了空中造楼机结构设计过程的可视化、交互性以及智能化水平。

应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一个非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上上述的实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上上述的实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

以上上述的仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。