Nous considérons l'optimisation de fonctions définies sur des ensembles de vecteurs (ou
nuages de points). Classiquement, ces fonctions étant coûteuses, elles sont partiellement
remplacées par des métamodèles. La variable de décision porte sur un ensemble de vecteurs
et a des tailles variables dans un ensemble fini des entiers naturels. Un noyau semi-défini-
positif sur les nuages de points est utilisé pour construire le métamodèle de type processus
gaussien. Ce dernier permet de définir le progrès espéré, un critère d'acquisition qui estime
l'importance de l'information apportée par un nuage de points pas encore évalué dans une
optique d'optimisation. Le critère d'acquisition est une fonction qui prend ses entrées dans le
même espace de recherche que le problème d'optimisation. Pour l'optimiser, nous utilisons un
algorithme évolutionnaire dont les croisements et les mutations sont définis avec le barycentre
de Wasserstein.