Bei Software-basierten Systemen kann man derzeit beobachten, dass ihr Verhalten teilweise von organischen Systemen inspiriert wird. Bestehende Ansätze haben versucht, ein Systemverhalten zu entwickeln, das zur Laufzeit auf variierende Umweltbedingungen reagieren kann. Manchmal können sie sogar aus früheren Zuständen und Adaptionen lernen. In der Echtzeitdomäne sind Systeme bei der Anpassung an veränderliche Umgebungen stärker durch eine Auswahl vordefinierter Verhaltensweisen eingeschränkt. Nur diese vordefinierten Verhaltensweisen können zur Laufzeit zur Optimierung der Systemleistung angewendet werden. Neue Verhaltensweisen können zur Laufzeit jedoch nicht hinzugefügt werden. Dies begrenzt die Fähigkeit des Systems, auf neu auftretende Umweltveränderungen zu reagieren. In unserer Arbeit entwickeln wir einen Ansatz, der in der Lage ist, zur Laufzeit zu reagieren und alle Echtzeit-Einschränkungen zu respektieren. Reaktionen können zur Laufzeit in dem Sinne auftreten, dass neue Tasks hinzugefügt oder bestehende aktualisiert werden.Unser Ansatz kann auf alle Arten von Echtzeitsystemen angewendet werden. Er besteht aus einem Adaptionsalgorithmus, der seinerseits als Echtzeittask fungiert.Unter der Annahme, dass die Tasks der Echtzeitumgebung in Form von mehreren Varianten existieren, beinhaltet der Adaptionsalgorithmus einen Auswahlmechanismus für alle Tasks im System. Dies geschieht, indem die aktuelle Variante aktiver Tasks potentiell ausgetauscht wird, um die geforderten Echtzeitrestriktionen garantieren zu können und gleichzeitig globale Systemziele zu optimieren, wann immer eine Anpassung erforderlich ist. Die Anpassung kann das Hinzufügen oder Aktualisieren von Tasks oder einer Gruppe von Tasks sowie das Löschen von Tasks umfassen.

Systems as e.g., control systems, software systems, etc. are tending nowadays to inspire their behavior from organic systems. Existing approaches have tried to develop a system behavior and reactions to environmental circumstances that can be applied at run time. Sometimes, they even can learn from previous states. In the real-time domain, systems are still limited by pre-defined behaviors when adapting themselves to the environment. The pre-defined behaviors can be applied at run time, and optimize system performance. However, new behaviors cannot be added at run time. This limits the system ability to react to newly emerging environmental changes. In our thesis, we provide an approach, which is able to react at run time and preserve all real-time constraints. Reactions can happen at run-time, in the sense of adding new tasks or updating existing ones. Our approach can be applied to all kinds of real-time systems. It consists of an adaptation algorithm that on its part behaves as a real-time task. Under the assumption that the tasks of the real-time environment exist in form of multiple variants, it provides a selection mechanism for other all of these tasks in the system. This is done by potentially exchanging the current variant of tasks in order to optimize global system goals, whenever an adaptation is required. Adaptation can include adding or updating a tasks or set of tasks, in addition to task deletion. System goals aim to reduce costs under the constraint of meeting all real-time requirements. In accordance to the concept of "Organic Programming", we make use of the concept of cells. A cell is an extension of a task. Each cell may have several variants, and may experience several updates, where each update may in turn consist of several variants. All variants of a cell share the same fundamental functionality, however under different timing requirements ...