Une des difficultés inhérentes à la recherche énumérative est l'explosion combinatoire. Parmi les algorithmes incomplets qui tentent de résoudre ce problème, l'optimisation par colonie de fourmis (ACO - Ant Colony Optmisation), qui combine des méthodes aléatoires et heuristiques avec l'apprentissage par renforcement, a prouvé son efficacité sur de nombreux problèmes de satisfaction de contraintes (CSP). Cet article présente une application d'un algorithme basé sur ACO pour la configuration, ce qui à notre connaissance n'avait pas encore été étudié. Nous décrivons comment la nature des problèmes non-bornés de configuration influe sur l'approche ACO, notamment à cause de la présence de variables ensemblistes et de domaines ouverts. Nous proposons un algorithme et un modèle phéromonal original permettant de traiter ces difficultés. Nous montrons également l'utilisation de l'optimisation par essaim de particules (PSO) pour converger vers des ensembles de paramètres optimaux. Enfin, nous fournissons des résultats expérimentaux, à la fois pour des instances aléatoires et pour le problème d'optimisation des racks.