В данном исследовании предлагаются две аппаратно-независимые стратегии динамического планирования: агент обучения с подкреплением без модели и метод приближенного прогнозирования на лету для управления нестабильной энергией в энергоавтономных IoT-системах без предварительных профилей задач. Оценка по сравнению с адаптивными и статическими базовыми методами с использованием пользовательской симуляционной платформы выявила различные операционные компромиссы для разных системных ограничений.
- Метод приближенного прогнозирования обеспечивает легковесный пропускной поток задач, близкий к оптимальному.
- Агент обучения с подкреплением предоставляет настраиваемый баланс между выживанием и выполнением.
- Базовый метод AsTAR отлично справляется с темпом выполнения в периоды длительных энергетических разрывов.
- Устройства с большими буферами энергии могут эффективно полагаться на более простые статические политики, а не на сложные стратегии.
Эти результаты показывают, что, хотя продвинутое динамическое планирование критически важно для устойчивости в сильно ограниченных системах с малыми конденсаторами, менее ресурсоемкие статические политики остаются эффективными для устройств с большими буферами энергии.