Les algorithmes d'optimisation classiques sont impl'ement'es selon un paradigme fonctionnel qui place la m'ethode d'optimisation au sommet de la hi'erarchie. Par exemple, avec Scilab on 'ecrira la commande [f,xopt]=optim(costf,x0). Cette instruction se chargera de tout le processus d'optimisation, sans contrˆole possible de l'utilisateur. Ce type d'impl'ementation est tr'es contraignant si l'on souhaite mettre en oeuvre des strat'egies d'optimisation plus souples, par exemple, pouvoir changer d'optimiseur en cours d'optimisation, estimer un ou plusieurs m'eta-mod'eles, etc.. . . Nous proposons ici une organisation logicielle selon un paradigme objet o'u les optimiseurs, les simulateurs et les m'eta-mod'eles sont des objets de mˆeme niveau hi'erarchique. L'utilisateur peut alors "jongler" avec ces diff'erents objets pour se contruire des strat'egie d'optimisation personnalis'ees.