Este estudio propone dos estrategias dinámicas de programación agnósticas al hardware, un agente de Aprendizaje por Refuerzo libre de modelos y un método de Predición Aproximada sobre la marcha, para gestionar la energía volátil en sistemas IoT sin batería sin perfiles previos de tareas. Evaluadas frente a líneas base adaptativas y estáticas utilizando un marco de simulación personalizado, la investigación destaca compensaciones operativas distintas para diferentes restricciones del sistema.
- El enfoque de Predición Aproximada ofrece un rendimiento de tareas ligero, cercano al óptimo.
- El agente de Aprendizaje por Refuerzo proporciona un equilibrio ajustable entre supervivencia y ejecución.
- La línea base AsTAR destaca en la paceación de ejecución a través de largos intervalos de energía.
- Los dispositivos con búferes de energía más grandes pueden depender eficientemente de políticas estáticas más simples en lugar de estrategias avanzadas.
Estos hallazgos indican que, aunque la programación dinámica avanzada es crítica para la resiliencia en sistemas severamente restringidos con capacitores pequeños, las políticas estáticas menos costosas computacionalmente siguen siendo eficientes para dispositivos con búferes de energía más grandes.