Cette thèse explore l'utilisation des métaheuristiques pour résoudre des problèmes complexes en apprentissage machine, en particulier la sélection de variables, et ce dans deux domaines applicatifs majeurs : le domaine médical et la théorie des graphes. La sélection de variables est un problème combinatoire NP-Difficile, et les méthodes exactes se révèlent inefficaces dès lors que la dimension des données devient élevée. À ce titre, une approche basée sur l'évolution différentielle a été développée, nommée Tournament in Differential Evolution (TiDE), qui intègre des mécanismes adaptatifs d'initialisation, de mutation et de croisement.
Une première partie de la thèse est consacrée aux fondements théoriques des métaheuristiques et de l'apprentissage machine, avec un accent mis sur la qualité des données et des modèles, ainsi que la diversité des algorithmes de classification et de régression. Une étude expérimentale approfondie a été menée sur un benchmark de jeux de données présentant des structures variées (dimension, bruit, déséquilibre, redondance), afin d'évaluer la robustesse et la généricité des approches proposées. Dans un second temps, les contributions sont appliquées à des jeux de données médicaux réels, notamment dans le cadre de l'analyse de la survie pour la sclérose latérale amyotrophique (SLA) et la pneumopathie à Covid-19. Les résultats suggèrent que les approches proposées permettent non seulement une amélioration des performances prédictives, mais également une réduction significative de la dimension des données, tout en garantissant une interprétabilité correcte.
Enfin, la dernière partie de la thèse transpose les métaheuristiques et l'apprentissage machine à la génération et à la réfutation de conjectures en théorie des graphes. Un benchmark de conjectures a été constitué et plusieurs méthodes, dont TiDE, ont été comparées expérimentalement. Les résultats obtenus illustrent l'intérêt des métaheuristiques dans des contextes peu explorés de la recherche fondamentale, où la combinatoire rend les méthodes classiques inopérantes.
Cette thèse démontre la pertinence et la robustesse des métaheuristiques dans des contextes variés, à la croisée des approches théoriques et appliquées en intelligence artificielle.