Dans un contexte de changements planétaires, l'utilisation d'agro-ressources dans les matériaux composites est une solution alternative à l'exploitation des ressources fossiles. Le développement d'agromatériaux contenant des végétaux enrobés nécessite de prendre en compte la disponibilité spatiale et temporelle des matières premières biosourcées, leur interchangeabilité et les conséquences sur les propriétés fonctionnelles résultantes. Face à la diversité des données à disposition, à la difficulté d'établir les relations de cause à effet et à la nécessaire gestion de l'imprévu, un système fiable et durable est nécessaire afin de produire un composite contenant un végétal enrobé avec une production à efficacité constante. Les méthodes d'intelligence artificielle doivent permettre d'améliorer la compréhension et le contrôle de la production liée aux matériaux concernés. Étant donné l'incertitude et la variabilité des données, nous avons appliqué l'apprentissage automatique et l'intelligence artificielle pour prédire les paramètres des expériences de manière dynamique. Un modèle pourra ainsi s'adapter en fonction des données d'apprentissage. Les prédictions sont dynamiques et les résultats sont influencés par les données. Le composite végétal est étudié sous trois aspects : prédiction de la résistance à la compression du composite, prédiction de la résistance à la flexion du composite et création d'un modèle de simulation afin de prédire les paramètres de test de résistance à la compression du composite. Le développement du composite végétal nécessite de prendre en compte les paramètres spécifiques des matières premières bio-sourcées tels que la disponibilité temporelle, l'interchangeabilité, et les conséquences sur les propriétés fonctionnelles résultantes. L'optimisation des composites végétaux peut être considérée comme un problème complexe lié à différents domaines tels que la biologie, la physico-chimie et l'ingénierie des procédés. L'optimisation et la production durables de matériaux végétaux nécessitent également une gestion de la localisation, la centralisation et la consolidation des sites de la chaîne d'approvisionnement. Les problèmes de la chaîne d'approvisionnement sont principalement la localisation des sites de production, le cheminement, l'ordonnancement, le stockage des matières premières, la distribution finale et la commercialisation. Le regroupement, la consolidation ou le clustering font référence à l'acte de fusionner deux ou plusieurs sites de supply-chain. Cela implique une réduction du nombre de centres existants. Afin de maintenir l'efficacité continue des chaînes d'approvisionnement et de production, chaque site doit offrir l'ensemble des services qui étaient servis par les sites remplacés. Le problème du regroupement peut se situer à tout niveau de la supply-chain. Le problème du k-clustering peut être défini dans une des deux parties de la chaîne d'approvisionnement qui sont en relation directe. Cette thèse a pour but de traiter la complexité rencontrée pour optimiser le composite végétal et assurer la durabilité des centres d'approvisionnement, de production et de commercialisation. Le premier objectif est atteint en optimisant les caractéristiques du matériau composite à l'aide de l'intelligence artificielle et est détaillé en première partie. Le second objectif est exposé dans la deuxième partie de cette étude. Il s'agit de la fusion des sites de la chaîne d'approvisionnement en utilisant la méthode du K-clustering. Différentes méthodes de solution d'optimisation sont proposées. L'approche transversale appliquée permettant la mise en œuvre de plusieurs compétences est présente dans l'unité de recherche EPROAD. Les méthodes proposées sont issues du domaine de l'intelligence artificielle, de la modélisation discrète issue des mathématiques appliquées, de l'analyse de sensibilité, et du domaine du génie des procédés pour le développement de méthodes coopératives intelligentes