Dans ce travail, une méthode d'optimisation à coût fini, essentiellement locale,mais qui devient globale lorsque le nombre d'analyses croît est développée. La ± globalisation α vient de ré-initialisations probabilisées de recherches locales prenant en compte les points de départ et de convergence passés. L'optimiseur local est une version améliorée de la méthode de Nelder-Mead, où les variables sont bornées, où les contraintes d'inégalité sont prises en compte par pénalisation adaptative, et où les dégénérescences du simplexe sont traitées par ré-initialisation. Cette méthode, appelée ± Globalized and Bounded Nelder-Mead α (GBNM), est testée sur des fonctions multimodales et des problèmes de conception de stratifiés composites. Puis, des applications plus complexes sont traitées avec GBNM : l'optimisation de la raideur de flexion et l'identification des positions des sauts de plis de monopalmes de nage.