La faible consommation d’énergie et la haute fiabilité sont identifiées comme des problèmes de plus en plus pertinents dans les systèmes en temps réel sur des plateformes hétérogènes. Dans cet article, nous proposons une stratégie d’optimisation multicritères pour minimiser la consommation d’énergie attendue tout en respectant le seuil de fiabilité et en respectant toutes les échéances des tâches. Les tâches sont répliquées pour garantir un seuil de fiabilité prescrit. Les plateformes sont composées de processeurs avec des caractéristiques différentes (et éventuellement sans corrélation), y compris la vitesse, le coût énergétique et le taux d’échec. Nous fournissons plusieurs heuristiques de mapping et de planification pour ce problème d’optimisation difficile. Plus précisément, une nouvelle architecture est conçue pour contrôler (i) le nombre de répliques à utiliser pour chaque tâche, (ii) sur quel processeur doit-on mapper chaque réplique et (iii) comment planifier chaque réplique sur le processeur qui lui est affecté. Différents mappings atteignent différents niveaux de fiabilité et consomment différentes quantités d’énergie. La planification est importante car une fois qu’une réplique de tâche réussit, les autres répliques de cette tâche sont annulées, ce qui nécessite de minimiser le chevauchement en temps entre toute paire de répliques. Les expériences sont exécutées pour un grand ensemble de scénarios, avec une large gamme de vitesse et de taux d’échec pour les processeurs. Les résultats révèlent que nos stratégies fonctionnent mieux que la référence aléatoire, avec un gain de 40 % en consommation d’énergie, dans presque tous les cas. La performance absolue de l’heuristique est évaluée en comparant avec une borne inférieure. La meilleure heuristique atteint une excellente performance, avec une valeur moyenne de seulement 4 % supérieure à la borne inférieure.