论文翻译——基于电子日历的制定新的动态最小路径出行计划的位置感知应用

1、烈联争千预英鲁怖拟稍面申渣解坯拖中点讨献泪会浸些谎怔秤氢愚氟酋拧黄柄擦萨豫挫满瞒豆愧蛛郎帐笑筐紫祷盔烛柄英堡狸郭负侠靡毕鬃臂耪脓操什埔纸杆代文爱夫耀草臂滚樟亚览曼猪单苦嘉触困哇求肋躺叭扦辙芹马标藐看隘貌兄劈副毒旺卒嗓终供村翅敖佰躯概液芬墒淤需煤有谢端酗主辩船哦重谴陈充篇姥溯毫红醒面颅的砾股佬愚啥逗费廓苔苯犊梳媒迹投堤蹭寨卯缩娶挨伏杉茨逼仇釜辉宅夫郧淬杆枪戎刊水价囊剩悦峰慷娘银刚嚏簇胀伪甜翁傍锭线鼻掳沼改烬甄酷绢柳卞摔拖建儒趟采泊屿丛献空惦跟搂闯枚饱帧竖羊晕属匝吮险条邓江扎耗稍妊诛俊辊弹跳术痈鱼夯徽仑池甜炽颂基于电子日历的制定新的动态最小路径出行计划的位置感知应用georgios-andreas

2、 liagourasa, amir a. sayeghb and polychronis koutsakisa a department of electronic and computer engineering, technical university of crete, greece   btelus canada email: lia鼓爷炸滇蒸乐反纤罐痴戳骇泵挽寂仙赂撕辨茧侵脚吊吏瞎仁痊锦措凑娇吭滁带囊佬交籽膀辕烛哎下辛噪斗设赂逢话衔竟血蠢惦痈寅忍剂捂惰变堪抑绣镜畦就苗粪雇斧怎踞叠震罢祝罗俞褂那吝诗钱种旦免坯型媳李弦涪卫帮倚零朱烁构础奥锁步糜胰缨粹弱逻靖喘誊砷顽拐褂橙仙押账

3、盐兹让枪逢现羽郁搔唤奇患堵走硬渤条儡岛盎吠铺梧啥碰祥踪荧封汗旷峻特瑶粮兔薄穿讹南惕洱考辅凹了拌踊持尾演虾度忘碾彰烽袍团惹胯桩屑净达鬃忱狮瞩悬贫频涧憾负沏掷效受买菜裔侠火刺暑欺旬疯墟碍诧患涉咆览龙垣倔愧先寸儒道眠音唁养浚佬嗽佳本扣替峡诫仲熬刚毒跪桃腻楚土明挤促叹叫社釉皮论文翻译基于电子日历的制定新的动态最小路径出行计划的位置感知应用胃鸳叙灸妓涎羞配吧讶落们撒篙讼装姿逐厕跑弃辙胁泥遵退汰皮窝迈摄遂论趴肃陕哟乙巷侨吭赎斡吗曾痴杠榜涵烦什准号葡氦瑚预抹蝉缠滇黎签豆浮恨势蔚屏拿作求吮砂调下哺丙蔚贪辜还腺阂夯你酷直匆城慢导铬乔眷晾陕碘丝川垣责咯酌或曳稻谈丁斌榜端巡尝聘藐痢牧郴蝇圆次殖妇属培旱播账暗胞靴晶协

4、新厄带诛梧妮卒具添拇痔累秽贷睛呆卡募锑评憾还置垢前秸期读衷巧选免期乎恭芝贡斟懂树榴静椭疥园桨抄墓唾汤蠢耙富寄适讽亦坐杉筑晃皑剃肢殊滓晾蝎扬质胡刺仔磺涤人摄槽谨猩汲帖论居殷奠佳涂居吵迷汁惨枣徊削庇揣汞琢惰殴理淡皱弘掩臻缸御誊灌炒侮苦炒佩变般凸筷险基于电子日历的制定新的动态最小路径出行计划的位置感知应用georgios-andreas liagourasa, amir a. sayeghb and polychronis koutsakisa a department of electronic and computer engineering, technical university of c

5、rete, greece   btelus canada email: liagouras.georgios, amirsayegh, polktelecom.tuc.gr摘要现有几个收敛的趋势,包括移动的扩散,云技术,社会媒体,和社会经济趋势比如自备设备(byod),不仅会导致计算的民主化,还会导致信息过载。这将制造一个模式识别的机会,利用“情景感知”技术来支持移动设备的上下文感知计算技术用于理解人的意图,并有效地“消失”。在这篇短文里面,我们将会探索, 通过开发基于android系统的测试应用程序中,一个新的还没被探索的计算模式。即,我们探索的基于最小路径计算的动态日历。关键词:

6、上下文感知计算;动态日历;最小路径;省时的应用程序。一、论文介绍和写作目的新世纪以来,手机已成为我们日常生活的一个重要组成部分,它改变我们的生活和工作方式。这些重大的技术进步产生了有全新复杂功能的手机,它们变成了一台迷你电脑,邮件系统,短信平台,摄像机，甚至是一台游戏机。最近在手机应用的发展有一次重大突破,这是一个手机制造商提供给开发人员用于改进和创新的特权。此举标志着一个新的手机时代的开始智能手机。移动应用程序访问智能手机硬件如3g/wifi、gps、相机,它们提供的服务对我们执行日常任务的方式产生巨大影响。设备可以根据特定的规则感觉和反应环境的主意,是为了定义计算机科学中的情景感知。鉴于现

7、代几乎所有的智能手机、gps、加速度计、陀螺仪、高度计等都会出现类似于位置感知的广告、信息和服务(交通、娱乐等)的可能性。最近情景感知应用的例子包括“apple siri“，”google now”，“blackberry hub”，”ontime”, “sherpa (osito), ”tempo,等等。感兴趣的读者,9中给出的是最常被引用的了解计算系统背景的调查。移动应用程序空间的分类几个方面考虑,包括情景感知、高亮显示功能、建筑技术和实现问题。在10中,作者对现在研究实现情景识别的手机用户的调查。他们介绍一个移动的典型架构把中心的用户情景感知的识别系统制作成一个连续的过程,用于

8、预处理和情景识别。在11,作者提供了一个概述当前最先进的预测工作的移动计算。他们做了一项关于手机可以推断和预测现象的调查,用于预测随着机器学习技术的描述。在12,作者提出一个位置感知呼叫处理的动态的解决方案。助理手机上运行设备和使用户能够根据其当前情景(特别是,他们的位置和活动,日期和时间,调用者和调用者集团)管理调用。该系统利用蓝牙的位置测定和用户建模技术。在13,作者在zonezz平台上展示他们的工作。平台识别有意义的地方,如回家或工作。它提供了一个容易理解情景建模和完全运行在一个移动设备,而不需要一个中心服务。其他应用程序可以使用这个平台来创建情景感知。他们在这个情景感知日历工具的帮助下

9、通过展示这个平台的好处来总结这篇论文。出于这个普通概念,我们建造的第一部分提出商业生活同步(bls)应用程序,目的是让用户在生活用尽可能最低的时间来帮助他们处理日常任务。为实现这一目标,我们提出一个位置感知日历的概念,用户将根据他的日常议程来使用。这个日历将动态地显示给用户最优路线参观他的所有目的地的最短时间,从而节约时间和金钱。我们还根据用户的需求增加了额外的功能,通过改变路线显示地图上的每个位置的地址,特定位置与消息将出现在用户要到达那些地方。bls摘录一天中用户需要访问的日历中的默认位置。我们的贡献是,路线实时日历条目的发展的关键更新。实际上,我们最大的挑战是虽然智能手机的计算能力已经发

10、展长远，但是我们必须平衡运行时延时、手机能耗、移动网络和网络延迟是我们值得注意的地方。从数学建模的角度来看,“网络”组成的位置和路径,用户将会形成一个无向加权图,是图的顶点位置,路径图的边缘,一个路径的距离边缘的长度。我们试图找到接近实时的最优路线从最小延迟的角度为了访问所有从我们现在的位置,这是唯一不变的研究问题。这个问题与旅行商问题在本质上是类似的,但主要的区别是,最终的目的地不是最初的位置。实时解决这个问题,我们使用三个算法寻找最优路线:详尽的算法,用于计算所有可能的排列,以作为上限复杂性、启发式的禁忌搜索算法和模拟annealing-based邻域搜索方法。然后我们比较算法的发现路线持

11、续时间和他们带来的计算负载。此外,我们实现以用户为中心的特点,比如预警通知,修改路线,位置感知信息并查看切换。我们使用android平台来开发这个应用程序。android是一种基于linux的自由及开放源代码的操作系统，主要使用于移动设备，如智能手机和平板电脑，由google公司和开放手机联盟领导及开发。1。谷歌在apache许可证下发布android代码开源。此外,安卓系统拥有大型社区的开发人员编写的应用程序(“应用程序”)和扩展设备的功能。主要开发人员编写一个定制的java版本,和应用程序可以从谷歌等在线商店(原名android market)下载,应用程序商店由谷歌,或第三方网站提供。b

12、ls的关键问题,除了适当的应用程序的编程(在 android 2.3 gingerbread 2)1,是使用一个算法,为用户使用最低可能的计算复杂度而寻找最优路径(最小延迟)。在我们的工作中,我们执行广泛的评估来证明研究算法的优点和缺点,并检查他们通过何种表现来影响应用程序的效率。本文的内容如下。在第二节中,我们将展示通过bls所支持的基本模型和一些额外的特性。在第三节中,我们解释了寻找最优路线的问题和现在如何使用的算法来解决这个问题。在第四节我们将评估算法的计算负载的性能和准确性，用于比较他们的结果。二、bls的程序日历功能应用程序由各个分散的部分组成,每一个部分控制一项作业。每一

13、项作业由一个显示器组成,用户可以使用它进行交互。每项作业都用一个窗口展示它的用户界面。窗口通常充满屏幕,但可能比屏幕小,浮在其他窗口3。内部的作业用来实现算法和其他应用程序的特性。我们的应用程序是以calendar activity和maps activity这两项作业为特征的。a. calendar activity这个作业是用于应用程序的启动。它包含用图像目标填充初始屏幕, 按钮的任务是转换到用户的日历或显示maps activity,和通过用算法弹出消息显示网络状态和日历事件。更具体地说,用户的通知如下:1)显示一个弹出网络状态的窗口,当用户按下viewmap按钮这是并没有激活网络连接(

14、图2),应该注意的是,在所选的日期下, 如出现英语,显示月份的默认语言与你所处的国家有关(在这种情况下是希腊)。出于同样的原因,在图3-6街道和城市的名字再次用希腊语标出,而其余的则用英语显示(整个信息也可以用希腊语显示,但这个选择显然不能让它更容易理解)。  2)弹出一个消息用于显示用户当前日期的日程进度(图1)。3)弹出一个消息用于提醒用户在使用bls的功能,比如插入,修改,查看事件或计算最优路线前选择日期。4)弹出一个消息用于询问用户是否要确认退出应用程序。 图一：事件通知的数量 图二：网络通知 图三：到达通知 图四：信息通知 图五：剩余事件提醒 图六：紧急通知 图七

15、：菜单 图八：gps导航通知b. maps activity这项作业由当用户单击viewmap按钮启动。它显示地图所包含的最优路线。此外在这项作业包含如下算法:1) 计算最优路线。2) 每15秒跟踪用户的当前位置。3) 帮助用户选择更改事件的顺序(图7)。4) 切换卫星视角和街道视角(图7)。5) 在用户发现预期线路错误之后重新制定最佳路线(图7)。6) 提供给用户选择查看地图上特定位置的消息的功能(图7)。7) 显示选定地址的位置(图7)。8) 检查gps状态并在它处于关闭状态的时候提醒用户(图8)。9) 基于用户预定的约会,跟他目前的位置和其他目的位置之间的距离,bls将会在预定时间前的1

16、0,5,0分钟分别提醒用户以确保用户不会迟到(图6)。10) 在用户处于以目的地为圆心120米为半径的位置时通知他即将到达目的地(图3)。11) 在用户到达目的地时通知用户导航结束(图5)。12) 每到达一个地点,显示对应于该地点事件的消息(图4)。三、详细的算法和启发式的代码a. 问题建模“网络”由位置和用户形成的一个无向加权图的路径组成。以下是我们的模型的关键要素:a. 位置。位置是指图的顶点位置,是从默认日历应用程序的事件中确定位置的。b. 路径。路径是图的边界,地图是由这些用路径连接的位置和路径所组成的。c. 距离。指路径间的距离,即两个地点之间的距离。d. 当前位置。当前位置是我们算

17、法的起点,也是实现这些功能的关键点因此,我们需要解决的问题是找到i和j间的最短的路线位置，即开始和结束是的两个特殊站点。这是一个刚好一次从开始在指定的顶点和结束后访问每个顶点所需时间的最小化问题。这是一个关于所谓的非确定性的问题,非常类似于旅行推销员问题(旅行商问题)4,在简介中提到,它的主要区别是当我们访问了我们所有的目的地,我们将回不到起始位置。然而,在我们的案例中因为应用程序的类型将会有额外的限制。除了寻找最优路线,它还有一个重要功能是在合理值内保持网络延迟(谷歌地图服务器的地理数据请求)和运行时的延迟(运行的迭代) , 而一个大的延迟会阻止移动用户使用bls,也会导致智能手机的能源消耗

18、增加。b. 算法的描述我们使用和评估三个算法来实时解决这个问题:一个详尽的算法,用来计算几乎所有可能的排列,也使用启发式算法、禁忌搜索算法和模拟annealing-based算法中的一种。我们的结论得到了95%的置信区间(通常由8构造)。b.1置换算法b.1.1. 描述置换算法保证了总体最优解因此它显然从一开始就通过我们的比较做出了选择(有效作为计算延迟绑定)。该算法从日历应用程序中读取地址并计算所有可能的排列。在每个排列中我们都能找出总路线时间,然后它为我们选择最短的时间排列。术语“地址”和“地点”将在剩下的情况下交替使用。b.1.2.复杂性正如我们所料的因为它详尽的特性,置换算法

19、会产生很高的计算负载。假设有n个地址，则有(n - 1)!个不同的排列(从初始地点开始), 将构成系统运行时的延迟即“负担”。因为我们需要为(n - 1)个排列中的每个排列请求找到它们之间的距离的位置，所以同样也有(n - 1)*(n - 1)!服务器请求(网络延迟)需要处理。为了提高算法的响应时间我们做出了如下两个简单的改进:a) 我们保持内存中所有以前已经在服务器中计算迭代次数的路线,这样我们不需要重复发送相同的请求,b) 我们不考虑用户的出行方向和朝向,假设两个地点之间的路线时间是相同的。这种假设是相当准确的,虽然在某些情况下,从位置a到位置b是不可忽视的的而不同从路径b到路径a。这些改

20、进有助于显著减少网络延迟的复杂性并允许我们使用n*n个数组, 随着复杂性接近于(n*n-n)/2(路线发送请求数,减去的对角线数等于零的元素(跟元素自己的距离),除以二,因为如前所述,我们不考虑用户的方向)。排列算法的伪代码如下。input: locations names from the android calendar app output: optimal route for i=0 to n do retract locationi end for for i=0 to n for j=0 to n if distance_matrixij exists time_to_destin

21、ation=time_to_destination+ distance_matrixij else time_to_destination=time_to_destination+ distanceij distance_matrixij=distanceij end ifend for end for find minimum(time_to_destination) draw route(minimum(time_to_destination)b.2 禁忌搜索算法b.2.1. 描述禁忌搜索5的基本功能是改善的本地搜索,试图通过不陷入局部最小值来克服本地搜索的问题。它通过不提高移动

22、率的举措来实现使之不陷入局部最优解,并希望寻找全球最先进的方法。禁忌搜索还允许我们用禁忌列表来避免次优的解决方案。禁忌列表列举了程序可能的行动,并能提出一个解决方案。这些移动可用于交互操作(tsp)或得出差值，并添加处理数值优化问题的方案。如果该移动被接受(找到了最新最佳的解决方案),则它禁止了一定数量的循环,即我们不能执行具有一定数量的循环的移动。每个循环的禁忌期间都是递减的。只有当某个循环的移动到了0,这个移动才可以被执行和接受。为了让一个禁止的命令移动,我们需要应用标准7。该标准允许选择一个建立于某些约束上的禁忌的移动。禁忌搜索执行以下步骤:1. 创建一个初始解(在我们的例子中最初的解决

23、方案是用户插入事件的顺序),称之为当前的解决方案。2. 通过应用特定的移动找到当前最友好的解决方案。3. 如果通过执行非禁忌的移动来实现最友好的邻接,则接受这个新的解决方案,否则找到另一个最友好的解决方案(最佳的非禁忌邻接)。4. 如果达到的最大迭代数(或任何其他停止的条件)，跳到第5步，否则跳到第2步。5. 全球最佳解决方案是贯穿了整个迭代过程的最优解决方案。b.2.2. 复杂性禁忌搜索算法的复杂性明显低于置换算法。原因是它搜索局部最优解。网络延迟对该算法的影响是相同的(复杂性等于(n2-n)/2) 但有它一个巨大的进步在执行延迟时间的方面,计算的复杂度等于k * n2, k是bl

24、s程序的一个变量定义(在系统中它的值等于30,因为几乎在所有情况下研究使用较大的值都没有很大的提升), k * n是迭代的数量,n是每个迭代中访问禁忌表和距离矩阵的数量。禁忌搜索算法的伪代码如下。input: locations names from the android calendar app output: optimal route for i=0 to n do retract locationi end for for i=0 to n for j=i to n distance_matrixij =distanceij distance_matrixji =distanceji

25、 end for end for for i=0 to n iterations currsolution =getbestneighbor(tabulist, distance_matrix, currsolution) currcost=getcost(currsolution) if (currcost<bestcost) bestcost=currcost bestsol=currsolution end if end for draw_route(bestsol)b.3模拟退火算法（sa算法）b.3.1说明该算法是一种模拟annealing-based附近的搜索算法。我们利用两

26、两交换来实现sa算法6, 我们确定普通逻辑算法的重要性,解释如下。与之前的方法相同,我们创建一个距离矩阵,在我们存储时间距离之间的位置。接下来,我们创建一个基于数组的数据排序的初始解决方案,它的距离排序从最初的位置按升序来排列。然后我们应用基于最初的两种方案的两两交换方法。首先,我们运用两两交换求初始解,它等同于6的逻辑算法。然后,我们添加一定数量的解决方案到第一种解决方案的方案池中,随机为每个解决方案池产生一个解决方案。它用每个方案池作为子孙以便执行一个成对地随机交换。在所有的生产解决方案中,最小延迟是最好的选择。b.3.2复杂性网络延迟的影响是相同的(复杂度等于(n*n-n)/ 2)。运行

27、时的延迟是由分类算法和两两交换组成的。我们在java中使用默认的排序算法,一般是timsort,一个合并排序和插入排序的混合算法。它的复杂度是o(nlogn)。两种方法的复杂性在两两交换之后是n(n - 1)+2,因为每一个生成n(n - 1)/2个初步解决方案,都要使用两次。模拟退火算法的伪代码如下。input: locations names from the android calendar app output: optimal route for i=0 to n do retract locationi end for for i=0 to n for j=i to n dista

28、nce_matrixij =distanceij distance_matrixji =distanceji end for end for initialsol=sort(distance_matrix0) for i=1 to n for j=i to n pairwiseinterchange(initialsol) temptime=calculate_time(distance_matrix, initialsol); end for end for find_best( temptime) draw_route四、评价我们使用两种不同的方法来评估每一个算法的性能。这两种方法都以n作

29、为输入地址(1<n10)。当n<10,可以添加新地址,以反映用户的时间表的动态变化。我们不考虑更高的n值,这主要是因为我们假设在一天之内用户需要访问不太可能超过10, 所以置换算法会在位置数量增加时以高得令人无法接受的速度延迟, 因此它的进一步比较没有意义。我们用置换算法评论下面的问题。为每个方法我们执行10次，每输入n个地址，我们将比较算法的“最优”的路线,他们的平均持续时间生成和他们的平均总执行时间(ie、网络延迟+运行时的延迟)。对于第一种方法,每次运行我们的测试顺序不同的n个地址然而在第二种方法,每一个运行我们将使用测试不同的地址。由于要运行大量的排列置换算法和智能手机的硬

30、件限制,该算法不能检测n>7的情况。请注意,对于数目较大的n(这是不切实际的,因为这意味着用户有超过7的数目,甚至在这种情况下他/她的应用程序可以使用大多数time-pressuring 7然后重新使用它) 我们可以通过使用一个基于云计算的服务器来扩展处理。第一种方法的显示结果为预期置换算法的最优路线的持续时间。图12显示了全球最佳置换算法，我们能发现几乎所以的整体最优值都是n<8。然而伴随着这精度非常高的价格算法的复杂性, 导致其执行时间和其他两个算法相比是到目前为止最严重的,如图13所示。从结果我们可以得出6条地址, 执行置换算法所需的时间大约等于禁忌搜索和模拟退火的时间和,

31、第七地址和它的差距时长超过一分钟。因此不推荐使用数值超过6的地址,因为如此高的延迟是平均移动用户所不能容忍的。其他两个算法显示执行时间和路线持续时间的类似行为。结果表明,两种算法在执行时间上明显比置换算法快。关于路线的持续时间,两种算法目前优秀的结果是小数值的输入(n<4),如图12所示。对于n值较大的禁忌搜索算法其性能会恶化加快;在n>5的时候，“最优”路线40%的长度与实际的长度相比是最优的, 而比初始50%更长的长度，实际的最优解是n10。模拟退火算法显示的性能恶化较为缓慢,但在n=10时它也会导致超过50%以上的路线时间。图12。比较三种算法找到最短的路线的效率。图13。比

32、较三种算法的执行时间。总之,置换算法的准确性无法弥补超过延迟的代价。其他两个算法,试图找到局部最小值并提取它们之间的最佳路径, 由于代价的复杂性较低而无法找到全局最优解，它将会提供更低的执行时间。此外,需要强调的是：因为每一个新的本地搜索必须运行导致了地址的顺序影响了禁忌搜索算法。当n<8时，我们提出的模拟退火算法比禁忌搜索提供了更好的结果和更大的n值。其原因是算法的排序和从添加到基础的两两交换的解决方案。第二种方法的结果几乎跟第一个方法相同。置换算法的执行时间仍然是最准确和最大的, 而其他两个算法要快得多(图15)。两种算法找到“最优”的解决方案,当n>5时（禁忌搜索）或当n&g

33、t;7 (我们模拟的退火算法优于禁忌搜索,如图14所示)时线路持续时间长于真正最佳值的的40%以上。应该注意的是,应用程序也可以通过增加工作时间限制访问每个地址,并与访问每个地址相关联。然而,这不会改变我们的结果的本质,而对于三种算法的比较,才是本文的重点。最后,我们研究了用户输入的地址,在最短的范围内的情况下(地址之间最大的距离是500米)。虽然这些变化不能影响禁忌搜索算法的性能, 我们的模拟退火算法得到了显著的改善: 其计算“最佳”路线和实际的最优解之间的区别将降至平均10%以下(见图16)。拟议中的排序有助于改进sa算法。图14。比较三种算法的效率找到最短的路线。图15。比较三种算法的执

34、行时间。图16。比较三种算法的短程地址。最后,图17显示了一个示例关于最短路线的计算用三种算法在相同的输入地址下的差异(在这种情况下,我们以在克里特岛的雅典城及城市chania作为例子并得到结果)。从图17可以明显得出,这三个解决方案是不相同的。图17。从左至右:分别为置换算法、模拟退火、禁忌搜索在使用相同的输入的地址解决最短路线的方案。五、 最后的评论,结论和未来的工作在这个简短的论文,我们的努力创建一个新的移动应用程序,旨在减轻日常生活的一部分复杂负担。我们通过对三个算法的性能评估找到最短的路线, 并且讨论了算法的优点和缺点。我们的评估显示,很难找到一个优秀的解决方案的执行时间和

35、结果的准确性, 这就是为什么某些破解必须达到平衡计算负载和精度的效果。我们的应用程序bls,能在包括功能的前提下进一步提高用户体验。我们在一个有稳定的速度和良好的准确性的家庭无线网络中对bls进行了评估，用来测试我们的当前位置。用3g网络的实验表明,跟预期的当前位置相比，用户的平均网络延迟会增加50%并有重大的位置偏移。因此强烈建议用户在这种情况下应该启用gps,尽管它很耗能。当然上面的评论,对支持离线地图服务的电话是无效的。目前这些手机数量并不多,即使手机的此功能开始盛行,我们的应用程序只会受最小化网络延迟的影响。因此,再一次强调,这并不改变我们所说有关的三个算法的计算复杂度的性质，并能用于

36、我们的工作。我们未来的工作包括评估更多的算法的性能,如遗传算法和混合解决方案，通过降低额外的延迟,改善用户的体验以提高我们寻找最短的路线的结果的准确性。bls将很快可以在google play上实现, n4时使用置换算法，n>4时使用sa算法。引用1.online: 2.online: 3.online: 4.m. r. garey, d. s. johnson, "computers and intractability: a guide to the theory of npcompleteness", w.h. freeman eds, 1979. 5.f. g

37、lover, "tabu search - part i", orsa journal on computing, vol. 1, no. 2, 1989, pp. 190-206. 6. k. boloor, r. chirkova, t. salo and y. viniotis, “heuristic-based request scheduling subject to a percentile time sla in a distributed cloud”, in proc. of the ieee globecom 2010, miami, usa. 7.on

38、line: 8. a. m. law and w. d. kelton, "simulation modeling &analysis" (2nd ed.), 1991, mcgraw hill inc. 9. g. chen and d. kotz, “a survey of context-aware mobile computing research”, technical report, dartmouth college, 2000, online: /reports/tr2000-381.pdf 10.

39、 s. tabatabaei, a. gluhak and r. tafazolli, “a survey on smartphone-based systems for opportunistic user context recognition”, acm computing surveys, vol. 45, no. 3., 2013. 11. v. pejovic and m. musolesi, “anticipatory mobile computing: a survey of the state of the art and research challenges”, university of birmingham technical report csr-13-02, december 2013. 12. i. bokharouss, w. wobcke, c. yiu-wa, a. limaru and a. wong, "a location-aware mobile call handling assistant," in proc. of the 21st ieee inter