Le programme des courses de plat au galop est construit régulièrement et à la main, par une équipe d’experts. Nous nous intéressons à l’automatisation (partielle) de ce processus. Les données du problème sont le calendrier des réunions (couples date + hippodrome) ainsi que le nombre de courses devant être planifiées dans chacune des réunions du calendrier. Pour chaque course, les variables de décision sont la distance courue, le type de la course, ainsi que les conditions de participation (âge, sexe, niveau du cheval). Outre les contraintes liées au programme des courses, qu’elles émanent du code des courses, de contraintes métiers, ou qu’elles relèvent simplement de l’habitude, une particularité du problème est sa fonction objectif. Si l’un des buts de la réalisation d’un outil d’assistance à la planification est l’accélération de la création d’un programme, on souhaite également dans la mesure du possible en améliorer la « qualité ». Or, les différentes métriques permettant d’évaluer la qualité d’un programme, comme le nombre de coureurs qu’il y aura aux courses, ne sont accessibles qu’a posteriori, lorsque les courses ont déjà été courues. De plus, les données concernant les paris sont essentiellement inaccessibles car ce sont les données du PMU. Les experts ne peuvent pas, a priori, comparer deux programmes. La fonction objectif est donc à définir en accord avec les experts métier. D’autre part, la majorité des contraintes sont en réalité des contraintes souples. En effet, certaines contraintes seront souvent non satisfaites dans le programme final. De plus, il n’est pas facile de définir un ordre de priorité entre les différentes contraintes. Les contraintes sont également sujettes à des changements réguliers. Par exemple, les types de courses ont été modifiés entre l’année 2017 et 2018. Il s’agit donc de trouver un procédé de planification pouvant s’accommoder de ces spécificités. Pour pouvoir utiliser une fonction objectif « boite noire » complexe, éventuellement obtenue à l’aide de méthode d’apprentissage, ainsi que pour pouvoir modéliser facilement tout type de contraintes, on souhaite s’orienter vers des méthodes heuristiques. Pour justifier cette démarche, ainsi que pour formaliser le problème, on a produit une modélisation du problème sous forme d’un programme linéaire. On démontre que cette modélisation du problème est NP-difficile, à l’aide d’une réduction à partir d’un cas particulier du problème des k-chemins disjoints [1]. On teste également plusieurs modélisations des contraintes ainsi que plusieurs fonctions objectif pour constater que le modèle est également difficile à traiter en pratique sur des instances réelles. On propose ensuite une heuristique gloutonne imitant le processus de planification manuelle, ainsi que deux méta-heuristiques , une implémentation de VND et une implémentation de recuit simulé.