Nous proposons dans ce travail de nouvelles méthodes de décomposition basées sur l'algorithme du point proximal et ses extensions en optimisation convexe sous contraintes. On y démontre en particulier la sensibilité numérique de ces méthodes au choix d'un certain paramètre utilise pour accélérer la convergence. Ces méthodes sont appliquées a plusieurs modèles, notamment aux problèmes de transports dans les réseaux et aux problèmes de localisation. Les performances ont été validées a la fois du point de vue séquentiel et du point de vue massivement parallèle après une mise en œuvre sur la connection machine cm-2