Plusieurs problématiques de gestion d’opérations peuvent être formalisées avec un problème d’optimisation discret. Ces modèles d’optimisation sont traditionnellement développés sous l’hypothèse que les données d’entrée sont déterministes, non impactées par des changements inattendus ou des incertitudes. Au cours des dernières années, le besoin en modèles performants, incluant des outils efficaces et permettant de réagir de manière optimale aux imprévus (perturbations), n’a cessé de croitre. En phase d’exécution d’un système, plusieurs événements imprévus (incertitudes) peuvent le perturber et le faire dévier de son parcours original voire rendre son exécution impossible. Il est vrai que ces incertitudes peuvent être considérées de manière proactive par le biais d’une optimisation stochastique ou des modèles d'optimisation robustes. Mais même avec des solutions robustes, des événements inattendus peuvent encore se produire nécessitant de revoir le plan robuste en cours d’exécution. Dans cette thèse, l’objectif est de prendre en compte ces incertitudes de manière réactive dans les modèles. Ainsi, une nouvelle méthodologie générique est proposée pour les problèmes d'optimisation de réparation / récupération. En considérant les solutions réparées / récupérées fournies par cette méthodologie appliquée à un plan initial en cours de mise en oeuvre, un décideur peut vouloir minimiser les coûts d'exploitation, mais aussi limiter les changements par rapport au plan initial. Le problème de réparation / récupération est formulé comme un problème d'optimisation multiobjectif, qui minimise des fonctions spécifiques relatives à divers critères de réparation (pilotés par les choix du décideur). / A wide variety of operations management problems can be formulated and solved as discrete optimization problems. Traditionally, these models have been mostly developed and used under the assumption that the input data are known in advance, not subject to unexpected changes, nor impacted by uncertainty. In recent years, the need for improved models providing efficient tools for quickly and optimally reacting to the occurrence of unexpected events (disruptions) has become a more and more important issue. In the execution phase, various unanticipated events will disrupt the system and make the plan deviate from its intended course and even make it infeasible.Uncertainty can be taken into account in a proactive way with stochastic optimization or robust optimization models. However, even with robust solutions, unexpected events can still occur requiring to reconsider the robust plan under execution. In this thesis, we are interested to cope with uncertainty in a reactive way. We propose a new generic methodology for repair/recovery optimization problems. When considering repair/recovery solutions for the initial plan under implementation, the decision-maker may want to minimize operating costs, but also limit the changes with respect to the initial plan. We formulate the repair/recovery problem as a multiobjective optimization problem minimizing specified functions for various repair criteria.