Ce travail étudie les problèmes d’optimisation de boîte noire contraints qui ne peuvent pas être résolus dans un temps raisonnable en raison de coûts de calcul prohibitifs. Ce défi est particulièrement présent dans les applications industrielles, où les évaluations de boîte noire sont coûteuses. Cependant, les contraintes peuvent être évaluées à différents niveaux de fidélité, pour un coût de calcul inférieur. Plus précisément, ce travail cible des situations dans lesquelles l’irréalisabilité de chaque contrainte peut individuellement être détectée à des niveaux de fidélité plus faibles, et où un grand nombre discret de niveaux de fidélité est disponible. De plus, des problèmes fortement discontinus pouvant échouer lors de l’évaluation sont considérés, de sorte que les méthodes de recherche directe sont préférables aux méthodes basées sur des modèles. À cette fin, les algorithmes Interruptible Direct Search (IDS) et Dynamic Interruptible Direct Search (DIDS) sont proposés afin d’exploiter les estimations de réalisabilité issues de différents niveaux de fidélité pour éviter des évaluations à coût élevé. Les résultats montrent une haute augmentation des performances de NOMAD lorsqu’il est couplé avec IDS ou DIDS.