De nos jours, la conception avant-projet en aéronautique repose majoritairement sur des modèles numériques faisant interagir de nombreuses disciplines visant à évaluer les performances de l’avion. Ces disciplines, comme l’aérodynamique, la structure et la propulsion, sont connectées entre elles afin de prendre en compte leurs interactions. Cela produit un processus d’évaluation des performances de l’avion coûteux en temps de calcul. En effet, une évaluation peut prendre de trente secondes pour les modèles de basse fidélité jusqu’à plusieurs semaines pour les modèles de plus haute fidélité. De plus, à cause de la multi-disciplinarité du processus et de la diversité des outils de calcul, nous n’avons généralement pas accès aux propriétés ou au gradient de cette fonction de performance. En outre, chaque discipline utilise ses propres variables de conception et doit respecter des contraintes d’égalité ou d’inégalité qui sont souvent nombreuses et multimodales. On cherche finalement à trouver la meilleur configuration possible dans un espace de conception donné. Cette recherche peut se traduire mathématiquement par un problème d’optimisation boite noire sous contraintes d’inégalité et d’égalité, aussi connues comme contraintes mixtes, dépendant d’un grand nombre de variables de conception. De plus, les contraintes et la fonction objective sont coûteuses à évaluer et leur régularité n’est pas connue. C’est pourquoi, on s’intéresse aux méthodes d’optimisations sans dérivées et particulièrement celles reposant sur les modèles de substitution. Les méthodes d’optimisation Bayésienne, utilisant des processus gaussiens, sont notamment étudiées car elles ont montré des convergences rapides sur des problèmes multimodaux. En effet, l’utilisation d’algorithmes d’optimisation évolutionnaire ou reposant sur le gradient n’est pas envisageable du fait du coût de calcul que cela implique : trop d’appels pour générer des populations de points, ou pour approcher le gradient par différences finies. Cependant la méthode d’optimisation Bayésienne est classiquement utilisée pour des problèmes d’optimisation sans contrainte et de faible dimension. Des extensions ont été proposées pour prendre en compte ce verrou de manière partielle. D’une part, des méthodes d’optimisation ont été introduites pour résoudre des problèmes d’optimisation à contraintes mixtes. Toutefois, aucune d’entre elles n’est adaptable à la grande dimension, aux problèmes multi-modaux et aux contraintes mixtes. D’autre part, des méthodes d’optimisation ont été développées pour la grande dimension pouvant aller jusqu’aumillion de variables de conception. De même, ces méthodes ne s’étendent que difficilement aux problèmes contraints à cause du temps de calcul qu’ils nécessitent ou de leur caractère aléatoire. Une première partie de ce travail repose sur le développement d’un algorithme d’optimisation Bayésienne résolvant les problèmes d’optimisation sans contrainte en grande dimension. Il repose sur une stratégie d’apprentissage adaptatif d’un sous-espace linéaire réalisée conjointement à l’optimisation. Ce sous-espace linéaire est ensuite utilisé pour réaliser l’optimisation. Cette méthode a été testée sur des cas tests académiques. Une deuxième partie de ce travail traite du développement d’un algorithme d’optimisation Bayésienne pour résoudre les problèmes d’optimisation multi-modaux sous contraintes mixtes. Il a été comparé aux algorithmes de la littérature de manière intensive sur une grande batterie de tests académiques. Finalement, on a confronté le second algorithme à deux cas tests aéronautiques. Le premier cas test est une configuration classique d’avion moyen-courrier à propulsion hybride électrique développé par l’ONERA et l’ISAE-SUPAERO. Le second cas test est une configuration classique d’avion d’affaire développée par Bombardier Aviation. Ce cas test repose sur une optimisation à deux niveaux de fidélité. Un niveau de fidélité conceptuel et un niveau de fidélité préliminaire pour lesquels le problème est respectivement évalué en trente secondes et 25 minutes. Cette dernière étude a été réalisée lors d’une mobilité internationale chez Bombardier Aviation à Montréal (CA). Les résultats ont montré l’intérêt de la méthode mise en place