Ce papier s’intéresse à des problèmes d'optimisation dont les contraintes comprennent un réseau d'inégalités linéaires à deux ou trois variables. Parmi ces problèmes, on peut trouver de nombreux problèmes d’ordonnancement, comme celui du Job Shop, mais aussi des problèmes de packing, de layout, ou de mining. Seuls, les algorithmes de recherche locale à petits voisinages se retrouvent en difficulté face à ces problèmes. En effet, les contraintes étant très serrées dans une bonne solution, le passage d’une bonne solution à une autre nécessite de faire de petits changements sur de nombreuses variables. La solution que nous avons implémentée dans LocalSolver pour pallier ce problème consiste en une propagation des contraintes : lorsque la solution obtenue après une transformation locale est non réalisable, celle-ci est réparée de proche en proche, une contrainte à la fois. Afin d'étendre la transformation locale, plutôt que de l'annuler, nous imposons de ne jamais revenir en arrière sur la décision d'augmenter ou de diminuer la valeur d'une variable. Nous montrons que le succès de ce mécanisme de réparation est garanti pour une large classe de contraintes. Nous appliquons cette méthode à plusieurs problèmes d'ordonnancement, caractérisés par des précédences et des contraintes de ressource disjonctive. Des résultats numériques sont donnés sur les problèmes du Job Shop, de l'Open Shop, et du Unit Commitment, et montrent que notre algorithme de réparation améliore significativement les performances de nos algorithmes de recherche locale.