Optimisation en-ligne pour les systèmes dynamiques en temps-réel

The energy consumption is a crucial issue for real-time systems,that's why optimizing it online, i.e. while the processor is running, has become essential and will be the goal of this thesis.This optimization is done by adapting the processor speed during the job execution.This thesis addresses several situations with different knowledge on past, active and future job characteristics.Firstly, we consider that all job characteristics are known (the offline case),and we propose a linear time algorithm to determine the speed schedule to execute n jobs on a single processor.Secondly, using Markov decision processes, we solve the case where past and active job characteristics are entirely known,and for future jobs only the probability distribution of the jobs characteristics (arrival times, execution times and deadlines) are known.Thirdly we study a more general case: the execution is only discovered when the job is completed.In addition we also consider the case where we have no statistical knowledge on jobs,so we have to use learning methods to determine the optimal processor speeds online.Finally, we propose a feasibility analysis (the processor ability to execute all jobs before its deadline when it works always at maximal speed) of several classical online policies,and we show that our dynamic programming algorithm is also the best in terms of feasibility.La consommation d'énergie est un enjeu crucial pour les systèmes temps réel,c'est pourquoi l'optimisation en ligne, c'est-à-dire pendant l'exécution du processeur, est devenue essentielle et sera le but de cette thèse.Cette optimisation se fait en adaptant la vitesse du processeur lors de l'exécution des tâches.Cette thèse aborde plusieurs situations avec des connaissances différentes sur les caractéristiques des tâches passées, actuelles et futures.Tout d'abord, nous considérons que toutes les caractéristiques des tâches sont connues (le cas hors ligne),et nous proposons un algorithme linéaire en temps pour déterminer les choix de vitesses pour exécuter n tâches sur un seul processeur.Deuxièmement, en utilisant les processus de décision de Markov, nous résolvons le cas où les caractéristiques des tâches passées et actuelles sont entièrement connues,et pour les futures tâches, seule la distribution de probabilité des caractéristiques des tâches (heures d'arrivée, temps d'exécution et délais) est connue.Troisièmement, nous étudions un cas plus général : le temps d'exécution n'est découvert que lorsque la tâche est terminée.En outre, nous considérons également le cas où nous n'avons aucune connaissance statistique des tâches,nous devons donc utiliser des méthodes d'apprentissage pour déterminer les vitesses optimales du processeur en ligne.Enfin, nous proposons une analyse de faisabilité (la capacité du processeur à exécuter toutes les tâches avant leurs échéances quand il fonctionne toujours à vitesse maximale) de plusieurs politiques en ligne classiques,et nous montrons que notre algorithme de programmation dynamique est également le meilleur en terme de faisabilité