Le domaine automobile a été l’un des secteurs les plus émetteurs de CO2 durant le dernier siècle. La solution envisagée, pour limiter les émissions de gaz à effet de serre des véhicules, est l’électrification de la chaîne de traction. Le véhicule hybride électrique présente le meilleur compromis pour relever les défis écologiques de l’industrie automobile. La chaîne de traction hybride électrique est composée de deux moteurs : un moteur à combustion interne, alimenté par du carburant, et un moteur électrique alimenté par une batterie. Ces deux moteurs doivent assurer la demande en puissance du conducteur. La répartition d’énergie entre les deux moteurs en temps réel se fait alors dans le but de minimiser la consommation de carburant. Cette thèse propose l’étude d’une méthode basée sur l’optimisation visant à rechercher la combinaison la plus efficace des deux moteurs. La méthodologie proposée cherche à concilier la recherche d’un optimum mathématique avec les contraintes du contexte temps-réel, en utilisant la théorie du contrôle optimal et le Principe du Maximum de Pontriaguine. La recherche d’un optimum mathématique suppose la connaissance d’une prédiction sur les demandes de puissances futures du conducteur. La méthode proposée se base sur la connectivité du véhicule (GPS intelligent eHorizon par exemple) pour former cette prédiction. Dans un premier temps, la méthode est étudiée avec l’hypothèse d’une prédiction complètement fiable. A travers des comparaisons par simulation, nous avons pu constater que la méthode proposée peut atteindre l’optimum global que fournit un algorithme de programmation dynamique. En formulant le problème d’optimisation avec différentes hypothèses plus ou moins simplificatrices sur le modèle de la batterie, il s’avère que l’utilisation d’un modèle à tension constante n’altère pas l’optimalité de la solution, si la capacité énergétique de la batterie est assez élevée. L’utilisation de ce modèle simplifié permet d’accélérer les calculs, notamment quand il faudra prendre en compte les incertitudes des prédictions. Sous l’hypothèse de prédictions fiables, la méthode montrera une robustesse par rapport aux imprécisions du modèle utilisé. Pour prendre en compte les incertitudes de la prédiction des demandes de puissances du conducteur, le modèle proposé met en jeu des variables aléatoires. En utilisant le Principe du maximum de Pontriaguine, les incertitudes des prédictions n’affectent la consommation de carburant qu’à travers l’état de charge de la batterie en fin de parcours. Au lieu de valider une prédiction en la comparant aux valeurs réelles de la demande de puissance, l’incertitude est reportée sur l’énergie électrique et l’état de charge final de la batterie. Le modèle probabiliste des prédictions détermine la longueur de l’horizon de prédiction à utiliser. Des prédictions normalement distribuées, et des prédictions basées sur chaînes de Markov sont étudiées. Ces deux modèles permettent d’avoir des horizons de prédictions de 2-3 min sur lesquels notre méthode d’optimisation basée sur le contrôle optimale est appliquée en temps réel. La méthode probabiliste proposée est générale, et n’est pas limitée aux modèles probabilistes étudiés. A partir des principes exposés dans cette thèse, en augmentant la précision du modèle probabiliste des prédictions, il sera possible d’utiliser de plus grands horizons de prédictions, ce qui signifie de meilleures économies de carburant et moins d’émissions de CO2