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 ce rapport, nous proposons une stratégie d’optimisation multi-critère pour minimiser l’espérance de la consommation d’énergie tout en respectant le seuil de fiabilité et toutes les échéances des tâches. Les tâches arrivent périodiquement. Chaque instance d’une tâche est répliquée pour garantir un seuil de fiabilité prescrit. La plateforme est composée de processeurs avec des caractéristiques différentes (et éventuellement sans corrélation), y compris la vitesse, le coût énergétique et le taux de panne. Nous fournissons plusieurs heuristiques de placement et d’ordonnancement pour ce problème d’optimisation difficile. Plus précisément, une nouvelle solution est conçue pour contrôler (i) le nombre de répliques à utiliser pour chaque tâche, (ii) sur quel processeur doit-on placer chaque réplique et (iii) comment ordonnancer chaque réplique de chaque instance de tâche sur le processeur qui lui est affecté. Différents placements atteignent différents niveaux de fiabilité et consomment différentes quantités d’énergie. L’ordonnancement est important car une fois qu’une réplique de tâche réussit, les autres répliques de cette instance sont annulées, ce qui demande de minimiser le recouvrement en temps entre toute paire de répliques. Les expériences sont exécutées pour un grand ensemble de scénarios, avec une large gamme de vitesses et de taux d’échec pour les processeurs. Les résultats montrent que nos stratégies fonctionnent mieux que la référence de base aléatoire, avec un gain de 40 % en consommation d’énergie, dans presque tous les cas. La performance absolue de l’heuristique est évaluée en la comparant avec une borne inférieure. La meilleure heuristique atteint une excellente performance, avec une valeur moyenne supérieure de seulement 2% à la borne inférieure.