A Case-Based Reasoning approach to knowledge transfer in Tabu Search S. Grolimund, J.-G. Ganascia Les méthodes de recherche tabou, une sous-classe des méthodes de recherche locales, font explicitement usage d'un transfert de connaissance entre des étapes successives de la recherche. Pour ce faire, elles se fondent sur des techniques d'apprentissage relativement simples et statistiques. Concernant une classe de problèmes proche de l'optimisation combinatoire, à savoir la génération de plans, les techniques d'apprentissage an­ alytique comme l'apprentissage par explication se sont montrées performantes même sur des problèmes de grande taille. Nous nous proposons de faire bénéficier les méthodes de recherche tabou des résultats obtenus en apprentissage analy­ tique. Cela nous conduit à introduire une technique de raison­ nement à partir de cas pour apprendre des connaissance de con­ trôle lors de la résolution de problèmes d'optimisation combina­ toire. Une technique de décomposition de transitions est proposée afin de réduire la taille des voisinages sans avoir à recourir aux ensembles candidats classiques. Il est alors possible de maintenir notre méthode à un niveau de complexité acceptable. Tout comme, il devient possible d'utiliser des transitions plus complexes lors de la modélisation de problèmes. Cela est partic­ ulièrement intéressant lors de la spécification de la phase de diversification de la méthode tabou ainsi que pour la modélisation de problèmes d'optimisation industriels. Tabu search, a class of local search techniques, relies explicitly on knowledge transfer between search episodes in order to improve performances as search progresses. For this purpose, relatively simple, statistical learning techniques are used. On a problem class close to combinatorial optimisation, i.e..plan generation, analytical learning techniques like EBL or derivational analogy have shown to perform and scale up well. In order to make tabu search-like techniques benefit from ana­ lytical learning, we propose a case-based reasoning approach for learning and reusing control knowledge for combinatorial optimi­ sation problems. A move decomposition technique is used to reduce neighbourhood sizes without the need to call on candidate sets. It permits to cope with computational complexity due to learning, and to allow problem modelling with complex moves. This second point is especially interesting concerning diversification, a control strategy of tabu search, as well as concerning real life problems.