Ce travail explore l'interface entre optimisation combinatoire et explicabilité, en intégrant des méthodes inspirées de l'XAI (Explainable AI) pour analyser les infaisabilités dans le Weighted Set Cover Problem (WSCP). Issu d'un cas d'usage industriel en radar de surface (surveillance maritime et côtière), notre approche propose une reformulation contrefactuelle du WSCP, où des perturbations contrôlées (via des variables élastiques) permettent d'identifier les modifications minimales nécessaires pour restaurer la faisabilité, que ce soit sur la matrice de couverture, les contraintes de budget, ou les coûts.

En s'appuyant sur des techniques d'optimisation mixte (MILP) et une modélisation des contraintes physiques (ex. : portée de la surveillance, orientation des faisceaux), nous générons des explications actionnables, comme « Augmenter le budget de X% ou relâcher la couverture de Y% dans la zone Z permet une solution ». Ces ajouts transforment un modèle d'optimisation classique en un outil d'aide à la décision, facilitant l'arbitrage entre objectifs conflictuels (ex. : couverture maximale vs. ressources limitées) dans des environnements opérationnels complexe.