Dans le domaine de la recherche opérationnelle, la résolution des problèmes de tournées constitue un défi emblématique depuis les années 1960. Initialement développées sur des problèmes simples, de nombreuses variantes ont permis d'améliorer le réalisme des instances étudiées, en particulier en milieu urbain où la congestion dépend du véhicule utilisé. Cependant, encore peu de méthodes sont compatibles avec l'ensemble des variantes existantes, celles-ci perdant de l'efficacité avec l'augmentation du nombre de clients. C’est dans ce contexte que nous avons développé un solveur robuste et adaptatif, obtenant de bonnes solutions dans un très bref délai sur un nombre élevé d’instances aussi difficiles que variées (plusieurs milliers de clients, véhicules hétérogènes, milieu urbain, etc.). Ce nouveau solveur permet de générer des solutions issues de multiples instances, caractérisées par un ensemble de variables, dont l'étude permet de mieux comprendre ce que constitue une bonne solution. Dans un contexte où les travaux interdisciplinaires croisant recherche opérationnelle et apprentissage automatique sont de plus en plus fréquents, nous nous sommes intéressés à l’utilisation d’arbres de décision pour cartographier les aires contenant a priori l’ensemble des solutions de bonne qualité. La combinaison entre les arbres de décision et ce nouveau solveur restreint la recherche de bonnes solutions aux zones prometteuses, afin d’augmenter les chances d’obtenir de bons résultats et de réduire la durée de cette exploration. Les résultats expérimentaux indiquent que ces travaux interdisciplinaires sont prometteurs pour générer un ensemble de méthodes hybrides performantes.