최근 몇 년 동안 사물인터넷 (IoT) 패러다임은 배터리가 없는 에너지 수확 (energy-harvesting) 아키텍처로 이동하고 있습니다. 이러한 시스템에서 신뢰할 수 있는 동작을 유지하려면 매우 변동성이 큰 저장된 에너지를 지능적으로 관리해야 합니다. 에지 애플리케이션이 복잡해짐에 따라, 기존의 에너지 인식 스케줄러 (energy-aware schedulers)는 정적인 실행 임계값이나 사전에 측정된 하드웨어 특정적 작업 프로필에 의존하기 때문에 예측 불가능한 워크로드에 대응하는 데 어려움을 겪습니다. 이를 극복하기 위해, 우리는 애플리케이션을 사전 에너지 정보가 필요 없는 "블랙박스 (black box)"로 취급하는 두 가지 새로운 하드웨어 불가지론적 (hardware-agnostic) 동적 스케줄링 전략을 제안합니다: 모델 프리 강화학습 (Reinforcement Learning (RL)) 에이전트와 즉석 근사 예측 (Approximated Prediction (AP)) 방법입니다. 우리는 실제 태양광 데이터와 동적 LoRa 전송 프로필을 기반으로 구축된 물리적으로 정확한 맞춤형 시뮬레이션 프레임워크를 사용하여, 이러한 방법들을 적응형 작업 속도 접근 방식 (AsTAR) 및 최적화된 정적 임계값과 비교 평가합니다. 보편적인 우월성을 주장하기보다는, 우리의 분석은 각 방법의 뚜렷한 운영상의 트레이드오프 (trade-offs)를 드러냅니다: AP 접근 방식은 가볍고 오라클 (oracle)에 가까운 작업 처리량을 제공하며, RL 에이전트는 조정 가능한 생존-실행 균형을 제공하고, AsTAR은 긴 에너지 공백 사이의 실행 페이싱 (pacing)에서 탁월한 성능을 보입니다. 마지막으로, 이러한 고급 전략들이 작은 커패시터를 가진 심각하게 제약된 시스템에는 중요한 회복탄력성을 제공하지만, 더 큰 에너지 버퍼를 가진 장치는 더 단순하고 계산 비용이 적은 정적 정책에 효율적으로 의존할 수 있음을 입증합니다.