On aborde le problème de l’optimisation de procédés continus et discontinus en présence d’incertitudes sous forme d’erreurs de modèle et de perturbations inconnues. L’idée consiste à se baser sur des mesures du procédé pour venir ajuster les entrées. On propose d’abord, pour les procédés discontinus, un paramétrage des entrées qui permet de ramener le problème d’optimisation dynamique à un problème d’optimisation statique. On présente ensuite trois façons distinctes d’utiliser des mesures pour venir ajuster les conditions opératoires du procédé et l’amener ainsi de manière itérative en temps réel vers l’optimalité. La première approche est très intuitive et consiste à utiliser les mesures disponibles pour identifier les paramètres du modèle et calculer ensuite les entrées optimales à partir du modèle ajusté. On verra que cette façon de procéder ne permet en général pas d’amener le processus vers l’optimalité. La deuxième approche propose d’estimer certaines grandeurs expérimentales qui sont liées à l’optimalité du procédé et de corriger le modèle de manière à ce que le modèle corrigé et le procédé partagent les mêmes conditions d’optimalité. La troisième approche enfin utilise directement ces mêmes grandeurs expérimentales pour amener par rétroaction, c’est-à-dire sans optimisation numérique, le processus vers l’optimalité. Ces méthodologies sont illustrées expérimentalement sur un procédé continu (un système de piles à combustible) et un procédé discontinu (un réacteur de polymérisation batch).