Le nombre de smartphones vendus a récemment dépassé celui des ordinateurs. Ces appareils tendent à regrouper de plus en plus de fonctions, ceci grâce à des applications de plus en plus variées telles que la vidéo conférence, la réalité augmentée, ou encore les jeux vidéo. Le support de ces applications est assuré par des ressources de calculs hétérogènes qui sont spécifiques aux différents types de traitements et qui respectent les performances requises et les contraintes de consommation du système. Les applications multimédia sont par exemple accélérées par des composants permettant un encodage et un décodage vidéo de manière matérielle. De même, les applications graphiques, telles que les jeux vidéo, sont accélérées par un processeur graphique. Cependant les applications deviennent de plus en plus complexes. Une application de réalité augmentée va par exemple nécessiter du traitement d’image, du rendu graphique et un traitement des informations à afficher. Cette complexité induit souvent une variation de la charge de travail qui impacte les performances et donc les besoins en puissance de calcul de l’application. Ainsi, la parallélisation de l’application, généralement prévue pour une certaine charge, devient inappropriée. Ceci induit un gaspillage des ressources de calcul qui pourraient être exploitées par d’autres applications ou par d’autres étages de l’application. L’objectif ici est donc d’optimiser l’utilisation des ressources de calcul à disposition. Un pipeline de rendu graphique a été choisi comme cas d’utilisation car c’est une application dynamique et ce type d’application est de plus en plus répandu dans les appareils mobiles. Cette application a été implémentée et parallélisée sur un simulateur d’architecture multicoeur. Un profilage a confirmé l’aspect dynamique, le temps de calcul de chaque donnée ainsi que le nombre d’objets à calculer variant de manière significative dans le temps. De plus, le profilage a montré que la meilleure répartition du parallélisme évolue en fonction de la scène rendue; ce qui a validé le besoin d’une adaptation dynamique du parallélisme de l’application. Les constatations précédentes nous ont amenés à définir un système permettant d’adapter, au fil de l’exécution, le parallélisme d’une application en fonction d’une prédiction faite de ses besoins. Le choix d’un nouveau parallélisme nécessite de connaître les besoins en puissance de calcul des différents étages, ce qui peut être le cas en surveillant les transferts de données entre les étages de l’application. Enfin, l’adaptation du parallélisme implique une nouvelle répartition des tâches en fonction des besoins des différents étages, ce qui requiert un contrôleur central ayant une vue globale de l’application. Le système a été implémenté dans un simulateur précis au niveau TTLM (Timed TLM) afin d’estimer les gains de performances permis par l’adaptation dynamique. Une architecture permettant l’accélération de différents types d’applications que ce soit généralistes ou graphiques a été définie et comparée à d’autres architectures multicoeurs. Le coût matériel de cette architecture a de plus été quantifié. Les performances de l’architecture ont été évaluées. Ainsi, pour un support matériel dont la complexité est inférieure à 1,5 % du design complet, on démontre des gains de performance allant jusqu’à 20 % par rapport à certains déploiement statiques, ainsi que la capacité à gérer dynamiquement un nombre de ressources de calcul variable.