L'analyse expérimentale des algorithmes évolutionnaires nécessite d'appréhender une grande quantité de données multidimensionelles, incluant le plus souvent des données numériques et symboliques. Il est extrêmement difficile de naviguer dans un tel ensemble de données, et plus encore d'en tirer des conclusions permettant par exemple de mesurer l'efficacité des différents opérateurs ou de régler les paramètres de l'algorithme. Les outils de visualisation qui accompagnent les différentes boîtes à outils d'algorithmes évolutionnaires donnent accès la plupart du temps à des courbes d'évolution en fonction du temps ou de la génération (fonction de fitness, indicateurs de diversité, ou autres statistiques). En ce qui concerne les informations génomiques, la tâche devient beaucoup plus ardue, car la visualisation dépend fortement du paysage de recherche considéré. Dans ce dernier cas les informations brutes se présentent sous forme d'une succession de populations de points définis dans un espace complexe et multidimensionel. Le but du travail présenté ici est d'évaluer le potentiel des outils génériques de visualisation dans le cadre de l'analyse d'algorithmes évolutionnaires, et de proposer différentes pistes de développement pour mieux adapter ces outils aux besoins de la communauté évolutionnaire.