Cette thèse suit une démarche " materials-by-design " avec pour objectif le développement d'une méthode de conception dédiée aux panneaux sandwichs architecturés pour l'obtention de propriétés multifonctionnelles. Cette méthode s'appuie sur l'utilisation d'un algorithme génétique permettant simultanément une sélection de matériaux (variables discrètes) et un pré-dimensionnement du panneau (variables continues). Trois architectures de coeur ont été étudiées : les mousses, les nids-d'abeilles hexagonaux et les treillis tétraédriques. Dans cette thèse, on définit deux approches différentes de sélection des matériaux. Dans un premier temps, les matériaux architecturés sont considérés comme des matériaux existants, dont les propriétés sont référencées dans une base de données fermée. Cette approche est appelée optimisation par " voie réelle ". Afin d'ouvrir les possibilités en termes de sélection de matériaux, la deuxième approche considère une description semi-continue des matériaux architecturés et est appelée optimisation par " voie virtuelle ". Le matériau coeur est décrit par un matériau constitutif (variable discrète) et par une ou plusieurs variables géométriques continues représentant l'architecture. Utilisant ces deux approches, différentes propriétés d'emploi des panneaux sandwichs sont évaluées : rigidité et résistance en flexion, atténuation acoustique, résistance et isolation thermique, et enfin résistance aux chocs impulsionnels. Chaque fonction est optimisée à masse minimale par optimisation bi-objectifs. Différents cas d'optimisation tri-objectifs sont également présentés afin d'évaluer la compatibilité entre propriétés. En effet, la forme de la surface de compromis obtenue donne une indication sur la compatibilité entre les différents critères. Cette étape d'optimisation permet également l'identification des paramètres de conception optimaux. Dans le cas d'une optimisation par " voie virtuelle ", une comparaison directe entre architectures est aussi possible. Cependant, la démarche d'optimisation mise en place est complexe car globale et travaillant avec des variables mixtes. Deux méthodes mixtes, couplant l'algorithme génétique avec d'autres approches, sont proposées pour permettre un accroissement de la complexité de l'analyse tout en garantissant une complexité raisonnable de l'optimisation