Dans le domaine de la classification des séries temporelles, les shapelets sont de courtes séries temporelles discriminantes pour une classe donnée. Il a été démontré que les classifieurs peuvent atteindre des résultats de pointe sur une grande variété de jeux de données en prenant en entrée les distances entre la série temporelle d’entrée et divers shapelets discriminants. En outre, ces shapelets peuvent être facilement visualisés, ce qui leur confère une propriété interprétable, les rendant particulièrement attractifs dans des domaines critiques tels que le secteur de la santé, où les données longitudinales sont omniprésentes. Dans cette étude, nous proposons un nouveau paradigme pour la découverte de shapelets, fondé sur l’algorithmique évolutionnaire. Les avantages de l’approche proposée sont les suivants : (i) elle est dépourvue de gradients, ce qui permet de s’échapper plus facilement des optima locaux, de trouver plus aisément des candidats pertinents, et prend en charge des objectifs non différentiables ; (ii) elle ne nécessite pas de recherche par force brute, réduisant ainsi la complexité computationnelle de plusieurs ordres de grandeur ; (iii) le nombre total de shapelets ainsi que la longueur de chacun d’eux sont évolués conjointement avec les shapelets eux-mêmes, éliminant la nécessité de les spécifier à l’avance ; (iv) des ensembles complets sont évalués simultanément, plutôt que des shapelets individuels, ce qui conduit à des ensembles finaux plus petits, composés de shapelets moins similaires, tout en offrant des performances prédictives comparables ; (v) les shapelets découverts n’ont pas besoin d’être des sous-séquences de la série temporelle d’entrée. Nous présentons les résultats d’expériences qui valident les avantages énumérés ci-dessus.