La plupart des contributions en transformation de modèles sont concernées par la définition de langages pour exprimer des règles de transformation. La définition de ces règles est une tâche difficile, car de nombreux problèmes, liés à l'écriture/génération des règles, doivent être anticipés surtout dans le cas des formalismes source/cible qui ne sont pas largement utilisés. Dans cet article, nous proposons de considérer le problème de transformation comme un problème d'optimisation combinatoire où un modèle cible peut être automatiquement généré à partir d'un nombre réduit d'exemples de transformations. Nous proposons en particulier, une méta-modélisation de notre approche MOTOE, basée sur la méta-heuristique recuit simulé, qui combine un ensemble de solutions de transformation pour converger vers une solution optimale tenant compte de la cohérence entre les transformations. Les résultats de la validation sur des données industrielles montrent que les modèles obtenus sont comparables à ceux proposés par les experts de notre partenaire industriel.