L'exécution d'une simulation multi-agent (MABS) nécessite un ordonnanceur afin de synchroniser l'exécution des agents et simuler la simultanéité de leurs comportements. Dans la majorité des frameworks MABS, l'ordonnanceur active les agents tour à tour afin qu'ils exécutent une action décidée selon leur contexte. L'agent activé utilise toutes les informations sur lui-même, les autres agents ou objets de son environnement qui lui sont accessibles. Face à ce volume de données, une difficulté est de déterminer efficacement les combinaisons qui font sens pour l'agent parce qu'elles caractérisent un contexte pertinent pour lui. Dans la majorité des MABS, la détermination de ces contextes est enfouie dans le code des agents et par conséquent il n'existe pas d'algorithme permettant de diminuer leur temps de calcul. Nous proposons de modéliser ces sous-ensembles d'informations identifiant un contexte par ce que nous appelons un filtre ainsi qu'un algorithme pour que chaque agent puisse efficacement déterminer les filtres qui le concernent. Nous comparons notre algorithme à une sélection séquentielle des filtres et discutons les premiers résultats.