Алгоритм адаптивной настройки точности геолокации в iOS для минимизации энергопотребления мобильных устройств
Журнал: Международный журнал гуманитарных и естественных наук @intjournal
Рубрика: Технические науки
Статья в выпуске: 2-1 (113), 2026 года.
Бесплатный доступ
Активное использование геолокационных сервисов в мобильных приложениях является одной из ключевых причин ускоренного разряда аккумуляторов смартфонов. В настоящей статье исследуется проблема оптимизации энергопотребления приложений на платформе iOS путём динамического управления точностью и частотой опроса фреймворка Core Location. Предложен адаптивный алгоритм переключения режимов геолокации на основе анализа скорости движения устройства (CLLocation.speed) и текущего уровня заряда аккумулятора (UIDevice.batteryLevel). Экспериментальное исследование проводилось на устройствах iPhone SE (2022) и iPhone 14 Pro с применением инструментов Xcode Instruments (Energy Log). Получено, что применение адаптивного алгоритма позволяет снизить среднее энергопотребление в фоновом режиме на 32-38% по сравнению со стратегией непрерывного мониторинга при сохранении погрешности трека не более 15 м в сценариях пешего и автомобильного движения.
Похожие статьи в разделе Связь компьютеров. Сети ЭВМ. Вычислительные сети
Короткий адрес: https://sciup.org/170212960
IDS: 170212960 | DOI: 10.24412/2500-1000-2026-2-1-275-280
Adaptive geolocation accuracy tuning algorithm in iOS to minimize mobile device power consumption
The active use of geolocation services in mobile applications is one of the key reasons for rapid smartphone battery depletion. This article investigates the problem of optimizing application energy consumption on the iOS platform by dynamically managing the accuracy and polling frequency of the Core Location framework. An adaptive algorithm for switching geolocation modes is proposed based on the analysis of device movement speed (CLLocation.speed) and the current battery charge level (UIDevice.batteryLevel). Experimental research was conducted on iPhone SE (2022) and iPhone 14 Pro devices using Xcode Instruments (Energy Log). The results demonstrate that implementing the adaptive algorithm allows for a reduction in average background power consumption by 32-38% compared to continuous monitoring strategies, while maintaining a track error of no more than 15 meters in both pedestrian and vehicular movement scenarios.
