训练任务排布方法、装置、存储介质及计算机设备

技术领域

本申请属于计算机技术领域，具体涉及一种训练任务排布方法、一种训练任务排布装置、一种计算机设备、一种机器可读存储介质和一种计算机程序产品。

背景技术

为进行营区人员的作训，每天都需要安排训练任务。在现有的训练任务排布方案中，所有人都遵循同一个训练计划。然而由于营区人员较多，每个人的体质存在差异，所有人都遵循同一个训练计划易出现营区人员伤病、训练效率低下等问题。此外，随着数据建模技术的不断发展，为实现训练任务的自动排布，一种可行方案为：采用数据模型来实现作训时训练任务的自动排布。随之而来的是，如何提高数据模型的自适应能力，例如，当出现休假、调岗等人员变动时，模型能够快速做出反应，避免错误训练任务排布计划的输出。与此同时，数据模型输出的训练任务排布计划的可行性还需要进行量化评估，量化评估的方案目前也是空白的。

发明内容

本申请实施例的目的是提供一种训练任务排布方法、一种训练任务排布装置、一种计算机设备、一种机器可读存储介质和一种计算机程序产品，用以克服背景技术中，传统训练任务排布方法所存在的一项或多项缺陷。

为了实现上述目的，本申请第一方面提供一种训练任务排布方法，所述方法包括：

根据营区实际训练情况设定预设条件；

在基于预设条件设定约束条件、决策变量和适应度函数后构建出训练任务排布模型；

求取训练任务排布模型的最优解，以输出下一周期的训练任务排布计划；

其中，所述决策变量包括训练任务的人员分配、训练任务时间段安排和休息时间段安排，所述适应度函数是对人员缺勤率、设备报废率和训练考核通过率的综合量化。

在本申请实施例中，所述人员缺勤率、设备报废率和训练考核通过率根据决策变量下训练任务排布计划计算得到。

在本申请实施例中，所述适应度函数为人员缺勤率和设备报废率之和与训练考核通过率的比值、或训练考核通过率与人员缺勤率和设备报废率之和的比值。

在本申请实施例中，所述预设条件包括训练任务涉及的营区人员、训练任务涉及的设备资源、训练任务的具体类型、营区可用的训练时间段和训练时间段内的休息时间段。

在本申请实施例中，所述约束条件包括训练任务之间的时序关系约束、人员总数约束、设备资源总数约束和最小间隔时间约束；

所述最小间隔时间约束为连续两个训练任务之间用于人员休息的间隔时间不低于最小间隔时间。

在本申请实施例中，所述求取训练任务排布模型的最优解，以输出下一周期的训练任务排布计划，包括：

随机生成初始的训练任务排布计划作为初始种群的个体；

计算种群内个体的适应度；

执行新种群生成步骤；

若新种群的适应度达到期望值或迭代次数达到第一预设值，则执行下一步，否则再次执行新种群生成步骤；

从新种群中选择适应度最高的个体作为下一周期的训练任务排布计划；

其中，所述新种群生成步骤包括：

按照适应度进行当前种群中父代个体的选择；

执行纵横交叉操作，将选出的父代个体进行基因交换，产生新的子代个体；

对产生的新的子代个体进行变异操作；

利用变异操作后的新的子代个体替换当前种群中的部分个体，形成新种群。

本申请第二方面提供一种训练任务排布装置，所述装置包括：

预设条件设定模块，用于根据营区实际训练情况设定预设条件；

模型构建模块，用于在基于预设条件设定约束条件、决策变量和适应度函数后构建出训练任务排布模型；

模型求解模块，用于求取训练任务排布模型的最优解，以输出下一周期的训练任务排布计划；

其中，所述决策变量包括训练任务的人员分配、训练任务时间段安排和休息时间段安排，所述适应度函数是对人员缺勤率、设备报废率和训练考核通过率的综合量化。

本申请第三方面提供一种计算机设备，包括存储器、处理器及存储在所述存储器上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程序时实现本申请第一方面所述的训练任务排布方法。

本申请第四方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得所述处理器被配置成执行本申请第一方面所述的训练任务排布方法。

本申请第五方面提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本申请第一方面所述的训练任务排布方法。

上述技术方案中，在确定问题规划所需的决策变量、约束条件和适应度函数之后，构建出用于训练任务排布的规划模型，即训练任务排布模型，通过诸如遗传算法等优化算法对训练任务排布模型进行求解，输出最优的训练任务排布计划，实现了下一周期训练任务排布计划的自适应生成，并且将保证人员健康度、设备健康度的同时尽可能取得高的训练效率的目标转换为适应度函数进行量化，使得自适应生成的训练任务排布计划的合理性得到量化，从而实现了训练任务的自适应排布，且具有较强的合理性和适用性。

本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申请实施例的限制。在附图中：

图1示意性示出了根据本申请实施例的训练任务排布方法的第一种流程图；

图2示意性示出了根据本申请实施例的训练任务排布方法的第二种流程图；

图3示意性示出了根据本申请实施例的训练任务排布装置的结构框图；

图4示意性示出了根据本申请实施例的计算机设备的内部结构图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请实施例，并不用于限制本申请实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明，若本申请实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，若本申请实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。

本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

实施例一

参阅图1，本申请提供了一种训练任务排布方法，包括以下实施步骤：

步骤S100，根据营区实际训练情况设定预设条件。

步骤S200，基于预设条件设定问题规划所需的约束条件、决策变量和适应度函数，从而构建出训练任务排布模型。

步骤S300，求取训练任务排布模型的最优解，以输出下一周期的训练任务排布计划。

其中，决策变量包括训练任务的人员分配、训练任务的时间段安排和休息时间段安排。适应度函数为对人员缺勤率、设备报废率和训练考核通过率的综合量化。人员缺勤率、设备报废率和训练考核通过率根据决策变量下训练任务排布计划计算得到。

可知的，规划模型基于决策变量、约束条件和适应度函数构建，通过例如遗传算法等优化算法对规划模型进行最优解的求解，可以理解的是，上述技术方案中所述的训练任务排布模型为一种规划模型。为通过规划模型实现训练任务的排布，所需的预设条件应当包括训练任务的具体类型、训练任务涉及的营区人员、营区可用的训练时间段等。

例如，在一个具体实施例中：

步骤S100，根据营区实际训练情况设定预设条件，包括：

设定训练任务涉及的营区人员；

设定训练任务涉及的设备资源；

设定训练任务的具体类型；

设定营区可用的训练时间段；

设定训练时间段内的休息时间段。

例如，训练任务包括打靶、跑操和越野等。营区可用的训练时间段可以为上午两班和下午两班。训练时间段内包括至少一个休息时间段，休息时间段的时长可为一次半小时。

需要理解的是，人员缺勤率是指所有人应到未到的天数与应到天数的比值的平均值，设备报废率是指出现损伤的设备数量与训练任务涉及的设备总数量的比值，训练考核通过率为考核通过的人数与参与训练人员总数的比值。在收集到历史训练任务排布计划和各个历史训练任务排布计划实践后获得的人员缺勤率、设备报废率和训练考核通过率后，可通过统计分析，从训练任务排布计划中提取到造成人员缺勤的特征参数、造成设备损伤的特征参数以及造成人员训练考核不通过的影响因素等，从而生成训练任务排布计划与人员缺勤率、设备报废率和训练考核通过率之间的映射关系，根据映射关系计算当前决策变量下训练任务排布计划对应的人员缺勤率、设备报废率和训练考核通过率。

在一个具体实施例中，为实现对人员缺勤率、设备报废率和训练考核通过率的综合量化，适应度函数可设定为：

1)适应度函数为人员缺勤率和设备报废率之和与训练考核通过率的比值，相应地，在对训练任务排布模型进行求解时，以适应度最小化为目标，此时的适应度函数可通过下式进行表示：

Fitness＝(α+β)/k(式一)；

式一中，Fitness表示适应度，α表示人员缺勤率，β表示设备报废率，k表示训练考核通过率；

2)适应度函数为训练考核通过率与人员缺勤率和设备报废率之和的比值，相应地，在对训练任务排布模型进行求解时，以适应度最大化为目标，此时的适应度函数可通过下式进行表示：

Fitness＝k/(α+β)(式二)。

人员缺勤率和设备报废率均与训练任务排布计划的合理性成反比，即人员缺勤率或设备报废率高，则表明训练任务排布计划可行性差，而训练考核通过率与训练任务排布计划的合理性成正比，即训练考核通过率高，则表明训练任务排布计划可行性较好，基于此，通过上述式一或式二表示的适应度函数实现了对训练任务排布计划的合理性的可靠、便捷的量化。

此外，上述表述并非是对适应度函数的唯一限定，也可根据营区实际训练情况采用其他的适应度函数，例如，对人员缺勤率和设备报废率进行加权求和，权重的设定可以强化人员缺勤率对训练任务排布计划合理性的影响程度、或弱化设备报废率对训练任务排布计划合理性的影响程度等。

在一个具体实施例中，约束条件包括训练任务之间的时序关系约束、人员总数约束、设备资源总数约束和最小间隔时间约束，其中，最小间隔时间约束为连续两个训练任务之间用于人员休息的间隔时间不低于最小间隔时间。

需要理解的是：训练任务之间通常存在时序关系约束，即：某些训练任务必须在另一个或另外多个训练任务完成后进行；在训练任务排布中，存在对参与训练的人员数量的限制，即所有时间段内训练任务参与人员的总数不能超过可用人员的总数；在训练任务排布中，存在训练任务所涉及设备资源数量的限制，即所有时间内训练任务涉及的设备资源总数不能超过可用设备资源的总数；为确保两个连续训练任务之间有足够的间隔时间，让参与训练的人员休息或准备，在训练任务排布中还存在最小间隔时间约束，即连续两个训练任务之间人员休息的时间不得少于最小间隔时间。

例如，在一个具体实施例中：

假设存在时序关系约束的两个训练任务分别为训练任务t和训练任务t′，并且训练任务t必须在训练任务t′之后进行，则该时序关系约束可通过下式进行表示：

s_t>s_t′(式三)；

式三中，s_t表示训练任务t的开始时间，s_t′为训练任务t′的开始时间。

假设训练任务t的参与人员数量表示为r_t，可用人员的总数表示为Pmax，那么人员总数约束可通过下式进行表示：

sum(r_t×z

式四中，z

假设训练任务t是否使用设备资源用d_t表示，若d_t＝0，则训练任务t不使用设备资源，若d_t＝1，则训练任务t使用设备资源，可用设备资源的总数表示为Vmax，那么设备资源总数约束可通过下式进行表示：

sum(d_t×z

式五中，d_t×z

假设两个连续训练任务t和t′之间用于人员休息的间隔时间用I

I

在一个具体实施例中，训练任务的开始时间或完成时间使用整数变量表示，训练任务的参与人员数量使用整数变量表示，使用二进制变量表示训练任务是否使用设备资源，使用整数变量表示连续两个训练任务之间用于人员休息的间隔时间，相应地，训练任务排布模型为一种混合整数规划模型。

在一个具体实施例中，基于遗传算法对训练任务排布模型进行求解，相应地，步骤S300中，求取训练任务排布模型的最优解的一种具体过程如下：

步骤S310，随机生成初始的训练任务排布计划作为初始种群的个体；

步骤S320，计算种群内个体的适应度；

步骤S330，按照适应度进行当前种群中父代个体的选择；

步骤S340，执行交叉操作，将选择出的父代个体进行基因交换，产生新的子代个体；

步骤S350，对产生的新的子代个体进行变异操作；

步骤S360，利用变异操作后的新的子代个体替换当前种群中的部分个体，形成新种群；

步骤S370，若新种群中存在适应度达到期望值的个体或迭代次数达到第一预设值，则执行下一步，否则返回步骤S330；

步骤S380，从新种群中选择适应度最高的个体作为下一周期的训练任务排布计划。

示例性地，步骤S330中，可采用锦标赛选择方法从当前种群中选择出优秀的个体作为父代，一种具体过程如下：

确定每次选择的个体数量；

在当前种群中随机选择个体构成组，即每个个体入选概率相同，根据每个个体的适应度，选择其中适应度最好的个体，作为目标个体；

将上一步重复执行n次，得到n个目标个体，由该n个目标个体组成新一代种群；

在上述新一代种群中寻找出现次数最多的个体，该个体即为最优个体，并将该最优个体作为父代个体。

示例性地，步骤S340中，交叉概率可设为55％。

示例性地，步骤S350中，变异操作可采用离散变异，变异概率可设为1％。

实施例二

参阅图2，本申请提供了一种训练任务排布方法，与实施例一的区别在于：基于遗传算法对训练任务排布模型进行求解时，采用纵横交叉算法。相应地，步骤S300中，求取训练任务排布模型的最优解的一种具体过程如下：

步骤SS310，随机生成初始的训练任务排布计划作为初始种群的个体；

步骤SS320，计算种群内个体的适应度；

步骤SS330，按照适应度进行当前种群中父代个体的选择；

步骤SS340，执行纵横交叉操作，将选择出的父代个体进行基因交换，产生新的子代个体；

步骤SS350，对产生的新的子代个体进行变异操作；

步骤SS360，利用变异操作后的新的子代个体替换当前种群中的部分个体，形成新种群；

步骤SS370，若新种群中存在适应度达到期望值的个体或迭代次数达到第一预设值，则执行下一步，否则返回步骤SS330；

步骤SS380，从新种群中选择适应度最高的个体作为下一周期的训练任务排布计划。

通过上述技术方案，纵横交叉算法在迭代过程中每一代都进行横向交叉和纵向交叉两种交叉方式，通过横向交叉在不同个体的相同维进行交叉，保证了遗传算法的全局收敛能力，同时纵向交叉在同一个体的不同维进行交叉，克服了局部最优问题，从而使得种群中某些陷入维局部最优的维有机会跳出迭代，加快了训练任务排布模型求解的收敛速度，从而提高了训练任务排布计划的输出效率。

示例性地，在一个具体实施例中：

步骤SS340，执行纵横交叉操作，将选择出的父代个体进行基因交换，产生新的子代个体，包括：

步骤SS3401，执行横向交叉，得到第一中庸解，将第一中庸解与父代个体进行适应度比较，保留具有更好适应度的第一中庸解，并作为纵向交叉的父代，被保留下来的第一中庸解也称为第一占优解。

横向交叉是在种群中两个不同个体相同维之间进行的一种算数交叉，例如，假设将父代个体X(i)和X(j)的第d维进行横向交叉操作，则横向交叉操作可表示如下：

MS

MS

式七和式八中，r

步骤SS3402，执行纵向交叉，得到第二中庸解，将第二中庸解与父代个体进行适应度比较，保留具有更好适应度的第二中庸解，并作为下一次横向交叉的父代，被保留下来的第二中庸解也称为第二占优解。

纵向交叉是在种群中同一个体的两个不同维之间进行的一种算数交叉，例如，假设将父代个体X(i)的第d

MS

式九中，r为[0，1]之间的随机数，X(i，d

步骤SS3403，判断是否达到最大迭代次数或指定的结束条件；若是，则终止，否则跳转至步骤SS3401。

在一个具体实施例中，在执行横向交叉和纵向交叉后，均引入竞争算子，通过引入竞争算子将横向交叉和纵向交叉后得到的子代个体与父代个体进行竞争，执行竞争算子后，比父代个体具有更好适应度的最优第一中庸解或第二中庸解被保留下来，并参与下一次迭代。

上述技术方案中，横向交叉和纵向交叉通过一个竞争算子进行结合，在加快训练任务排布模型求解收敛速度的同时，也保证了全局收敛能力，从而使得训练任务排布模型输出的训练任务排布计划为全局最优解。

图1至图2均为训练任务排布方法的流程示意图。应该理解的是，虽然图1至图2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，图1至图2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。

实施例三

参阅图3，本申请提供了一种训练任务排布装置400，包括依次连接的预设条件设定模块410、模型构建模块420和模型求解模块430，其中：

预设条件设定模块410，用于根据营区实际训练情况设定预设条件；

模型构建模块420，用于在基于预设条件设定问题规划所需的约束条件、决策变量和适应度函数后构建出训练任务排布模型；

模型求解模块430，用于求取训练任务排布模型的最优解，以输出下一周期的训练任务排布计划；

其中，决策变量包括训练任务的人员分配、训练任务时间段安排和休息时间段安排；适应度函数为对人员缺勤率、设备报废率和训练考核通过率的综合量化。

在一个具体实施例中，人员缺勤率、设备报废率和训练考核通过率根据决策变量下训练任务排布计划计算得到。

在一个具体实施例中，适应度函数为人员缺勤率和设备报废率之和与训练考核通过率的比值、或训练考核通过率与人员缺勤率和设备报废率之和的比值。

在一个具体实施例中，预设条件包括训练任务涉及的营区人员、训练任务涉及的设备资源、训练任务的具体类型、营区可用的训练时间段和训练时间段内的休息时间段。

在一个具体实施例中，约束条件包括训练任务之间的时序关系约束、人员总数约束、设备资源总数约束和最小间隔时间约束；最小间隔时间约束为连续两个训练任务之间用于人员休息的间隔时间不低于最小间隔时间。

在一个具体实施例中，求取训练任务排布模型的最优解，以输出下一周期的训练任务排布计划，包括：

随机生成初始的训练任务排布计划作为初始种群的个体；

计算种群内个体的适应度；

执行新种群生成步骤；

若新种群的适应度达到期望值或迭代次数达到第一预设值，则执行下一步，否则再次执行新种群生成步骤；

从新种群中选择适应度最高的个体作为下一周期的训练任务排布计划；

所述新种群生成步骤包括：

按照适应度进行当前种群中父代个体的选择；

执行纵横交叉操作，将选出的父代个体进行基因交换，产生新的子代个体；

对产生的新的子代个体进行变异操作；

利用变异操作后的新的子代个体替换当前种群中的部分个体，形成新种群。

在一个具体实施例中，所述训练任务排布装置400包括处理器和存储器，上述预设条件设定模块410、模型构建模块420和模型求解模块430等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序模块以实现相应的功能。处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现训练任务排布方法。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

另一方面，本申请还提供了一种机器可读存储介质，其上存储有程序，该程序被处理器执行时实现上述训练任务排布方法。

又一方面，本申请还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述训练任务排布方法。

又一方面，本申请还提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、显示屏A04、输入装置A05和存储器(图中未示出)。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A06。该非易失性存储介质A06存储有操作系统B01和计算机程序B02。该内存储器A03为非易失性存储介质A06中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序被处理器A01执行时以实现一种训练任务排布方法。该计算机设备的显示屏A04可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置A05可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，本申请提供的训练任务排布装置400可以实现为一种计算机程序的形式，计算机程序可在如图4所示的计算机设备上运行。计算机设备的存储器中可存储组成该训练任务排布装置400的各个程序模块，比如，图3所示的预设条件设定模块410、模型构建模块420和模型求解模块430。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请上述任一训练任务排布方法中的步骤。

图4所示的计算机设备可以通过如图3所示的训练任务排布装置400中的预设条件设定模块执行步骤S100，计算机设备可通过模型构建模块执行步骤S200，计算机设备可通过模型求解模块执行步骤S300。

又一方面，本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：根据营区实际训练情况设定预设条件；在基于预设条件设定约束条件、决策变量和适应度函数后构建出训练任务排布模型；求取训练任务排布模型的最优解，以输出下一周期的训练任务排布计划；其中，所述决策变量包括训练任务的人员分配、训练任务时间段安排和休息时间段安排，所述适应度函数是对人员缺勤率、设备报废率和训练考核通过率的综合量化。

在一个具体实施例中，人员缺勤率、设备报废率和训练考核通过率根据决策变量下训练任务排布计划计算得到。

在一个具体实施例中，适应度函数为人员缺勤率和设备报废率之和与训练考核通过率的比值、或训练考核通过率与人员缺勤率和设备报废率之和的比值。

在一个具体实施例中，预设条件包括训练任务涉及的营区人员、训练任务涉及的设备资源、训练任务的具体类型、营区可用的训练时间段和训练时间段内的休息时间段。

在一个具体实施例中，约束条件包括训练任务之间的时序关系约束、人员总数约束、设备资源总数约束和最小间隔时间约束，最小间隔时间约束为连续两个训练任务之间用于人员休息的间隔时间不低于最小间隔时间。

在一个具体实施例中，求取训练任务排布模型的最优解，以输出下一周期的训练任务排布计划，包括：

随机生成初始的训练任务排布计划作为初始种群的个体；

计算种群内个体的适应度；

执行新种群生成步骤；

若新种群的适应度达到期望值或迭代次数达到第一预设值，则执行下一步，否则再次执行新种群生成步骤；

从新种群中选择适应度最高的个体作为下一周期的训练任务排布计划；

其中，新种群生成步骤包括：

按照适应度进行当前种群中父代个体的选择；

执行纵横交叉操作，将选出的父代个体进行基因交换，产生新的子代个体；

对产生的新的子代个体进行变异操作；

利用变异操作后的新的子代个体替换当前种群中的部分个体，形成新种群。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

需要说明的是，在本申请实施例中，可能提及某些软件、组件、模型等业界已有方案，应当将它们认为是示范性的，其目的仅仅是为了说明本申请技术方案实施中的可行性，但并不意味着申请人已经或者必然用到了该方案。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。