Dans le cadre de la résolution des problèmes d’optimisation des contraintes distribués (DCOP), les algorithmes approchés de propagation de croyances (BP) comme Max-Sum sont des candidats de choix. Cependant, lorsque le modèle graphique sous-jacent est très cyclique, ces méthodes de résolution souffrent de mauvaises performances, en raison de la non-convergence et des trop nombreux messages échangés. Afin d’améliorer les performances de Max-Sum sur de tels DCOPs, nous proposons de s’inspirer de la décimation guidée par BP pour résoudre des problème k-SAT. Nous proposons la nouvelle méthode DeciMaxSum, paramétrable par des critères de déclenchement de décimation, de choix de variables à décimer et de valeurs pour ces variables. Sur la base d’une évaluation expérimentale sur le modèle d’Ising, certaines de ces combinaisons de critères présentent de meilleures performances que les algorithmes concurrents.