Les algorithmes à estimation de distribution (EDA) ont déjà été appliqués avec succès à une grande variété de problèmes. La généricité et la polyvalence des EDAs leur permettent en effet de pouvoir être utilisés conjointement avec pratiquement tous les modèles probabilistes. Le modèle de Markov caché (HMM) est un modèle graphique bien connu et capable de modéliser des populations de séquences de longueurs variables. Dans cette présentation est introduit HMM-EDA, qui constitue en l'utilisation d'un HMM comme modèle interne d'un EDA. La performance générale de ce nouvel EDA est évaluée et comparée, en particulier sur des problèmes d'optimisation combinatorielle.

(Note: the presentation will be given in English as a dry-run for the GECCO 2013 conference.)