L’optimisation de problèmes coûteux en calculs de type boîte noire est un défi rencontré dans de nombreux domaines. Ces problèmes sont caractérisés par le manque d’information dont on dispose à propos de leur nature, et par leur coût en calculs. Par exemple, en ingénierie, la fonction objectif résulte fréquemment de simulations numériques complexes dont seul le ré- sultat final est accessible. Nous étudions deux moyens principaux permettant de traiter ces problèmes. Dans un premier temps, nous nous appuyons sur des modèles de substitution issus de l’Apprentissage Machine pour approximer la fonction objectif coûteuse en calculs par une alternative à moindre coût. Dans un second temps, nous utilisons le calcul parallèle pour ac- célérer le processus d’optimisation. La problématique majeure de cette thèse est d’identifier et de développer les méthodes d’optimisation combinant calcul parallèle et modèles de substitu- tion les plus efficaces pour échantillonner l’espace de recherche. On distingue principalement deux approches dans lesquelles l’optimisation est basée sur un modèle de substitution. L’optimisation guidée par modèle de substitution - Surrogate-Driven Optimization (SDO) - emploie le modèle pour guider l’optimisation à travers la création d’une fonction d’acquisition - Acquisition Function (AF). Cette dernière évalue la valeur d’un point candidat. L’Optimisation Bayésienne - Bayesian Optimization (BO) - en est un exemple notable dans lequel le modèle de substitution repose sur les Processus Gaussiens - Gaussian Process (GP). La fonction d’acquisition est optimisée pour déterminer le meilleur point à évaluer. Cette étape est appelée Processus d’Acquisition - Acquisition Process (AP). L’optimisation assistée par modèle de substitution - Surrogate-Assisted Optimization (SAO) - est une alternative dans laquelle le modèle est utilisé pour écarter les candidats les moins prometteurs et/ou pour rem- placer partiellement la fonction objectif. Dans ces méthodes, les candidats sont générés par des opérateurs externes puis sont filtrés par le Contrôle d’Evolution - Evolution Control (EC) - qui s’appuie sur le modèle de substitution. Dans cette thèse, nous nous intéressons particulièrement au processus d’acquisition des al- gorithmes d’optimisation bayésienne et à son défi qui consiste à sélectionner simultanément le meilleur ensemble de points à évaluer en parallèle. Premièrement, la scalabilité de l’optimisation bayésienne est limitée lorsque l’on ne considère le calcul parallèle que pour évaluer les can- didats. En effet, les parties séquentielles de l’algorithme peuvent devenir coûteuses en temps également. Deuxièmement, la qualité de l’ensemble de points obtenus simultanément est moin- dre comparée à une sélection séquentielle. Un usage efficace des ressources de calcul nécessite un processus d’acquisition efficace et de qualité, et une allocation pertinente des moyens entre l’acquisition de nouveaux candidats et leur évaluation. Nous proposons une nouvelle approche qui introduit le calcul parallèle dans le processus d’acquisition grâce à un partitionnement de l’espace de recherche. Cette approche est déclinée en deux algorithmes, nommés BSP-EGO et ℓBSP-EGO. Le premier utilise un modèle de substitution global pour guider la recherche, tandis que le second s’appuie sur plusieurs sous-modèles propres à chaque sous-domaine. Ces deux algorithmes sont confrontés à plusieurs algorithmes d’optimisation bayésienne de l’état de l’art, qui utilisent des processus d’acquisition très différents. Nous démontrons une meilleure scala- bilité et qualité des points acquis grâce aux méthodes développées, en comparaison avec l’état de l’art. Nous comparons aussi ces methodes d’optimisation bayésienne à d’autres algorithmes basés sur les modèles de substitution, et plus précisément aux Algorithmes Evolutionnaires Assistés par modèle de Substitution - Surrogate-Assisted Evolutionary Algorithm (SAEA). Ces derniers sont généralement plus efficaces en termes de temps d’exécution car l’acquisition des candidats ne nécessite pas de modèle de substitution coûteux en temps. Le protocole expérimental con- sidère à la fois des fonctions benchmark et des problèmes réels d’ingénierie. Il est établi afin d’identifier l’approche la plus adéquate, compte tenu des contraintes opérationnelles. Les ré- sultats indiquent que l’optimisation bayésienne est extrêmement efficace lorsque le budget est très serré, permettant de fournir une bonne solution en peu d’évaluations. Néanmoins lorsque le budget est plus important, soit parce que le coût en calcul du simulateur est plus faible, soit car le temps alloué est suffisamment grand, les algorithmes évolutionnaires assistés par modèle de substitution sont à privilégier. Nous démontrons également que les méthodes bayésiennes et évolutionnaires peuvent être combinées pour bénéficier des atouts de chacune des approches.