La prochaine génération de radiotélescopes, tels que le Square Kilometre Array (SKA), nécessitera une puissance de traitement de l'ordre du péta-FLOPS pour traiter la quantité massive de données acquises. Une nouvelle génération de pipelines de calcul est nécessaire pour relever les défis du SKA, ce qui conduit à l'intégration des pipelines sur un système hétérogène dédié de calcul à haute performance (HPC). Les contraintes de temps réel et d'énergie poussent la communauté à étudier l'utilisation d'accélérateurs matériels tels que les GPU dans le système de calcul. L'allocation de ressources, telles que le temps processeur, la mémoire ou la bande passante de communication, pour soutenir des algorithmes complexes dans de tels systèmes est connue comme un problème NP-complet. Les outils existants tels que Dask et Data Activated 流 Graph Engine (DALiuGE) s'appuient sur le modèle de calcul par flux de données (MoC) et se sont révélés être une solution efficace pour spécifier des algorithmes parallèles et automatiser leur déploiement. Ces modèles sont des paradigmes de programmation efficaces pour exprimer le parallélisme d'une application. Cependant, l'allocation des ressources de flux de données de l'état de l'art ne cible que les CPU et s'appuie généralement sur des transformations de graphes complexes, ce qui se traduit par un processus fastidieux. Cet article présente une méthode automatisée d'allocation des ressources de flux de données et de génération de code pour les systèmes hétérogènes CPU-GPU. Notre méthode gère efficacement et rapidement la complexité du graphe de pré-ordonnancement et optimise le modèle de flux de données en fonction de l'architecture cible. Les résultats expérimentaux montrent que la méthode proposée améliore l'allocation des ressources et accélère le processus d'un facteur 13 par rapport à la meilleure méthode existante sur une architecture de base. De plus, les temps d'exécution des implémentations obtenues sont comparables à ceux des implémentations manuelles.