Outil de base de l'ingénieur trop souvent méconnu, la simulation de Monte-carlo présente un domaine d'application beaucoup plus vaste que celui d'autres méthodes de calcul (analytique, traitement markovien, etc.), mais souffre de trois limitations : - l'imprécision des résultats obtenus sous la forme d'un intervalle de confiance que les techniques de réduction de variance permettent cependant de resserrer, - la durée de calcul nécessaire à une évaluation qui rend difficile son couplage à des techniques d'optimisation malgré les performances atteintes par les ordinateurs d'aujourd'hui, - la difficulté à modéliser un système d'une certaine complexité sans utilisation d'une interface de représentation telle que les réseaux de Petri par exemple pour les systèmes à états discrets. Cherchant à étendre l'usage de la simulation de Monte-carlo, cette communication propose deux techniques originales : - un couplage efficace à des outils d'optimisation (algorithmes génétiques, évolution différentielle et simplexe non linéaire) afin de ne plus rendre rédhibitoires les temps de calcul, - une alternative à l'emploi des réseaux de Petri stochastiques. En effet, bien qu'ils aient rencontré un indéniable succès sur le plan académique, les réseaux de Petri stochastiques présentent parfois des limitations en termes de complexité et de validation quand ils sont confrontés à des problématiques industrielles. Aussi, les modèles de simulation récursive constituent-ils une autre technique de modélisation des systèmes à états discrets qu'ils soient de type hybride (mélangeant des variables aléatoires et continues), markoviens ou non-markoviens (avec ou sans conservation de la mémoire des changements d'états successifs)