Cet article propose une méthode d'optimisation des influences spatiales dans des modèles multi-agents, en associant génération procédurale et algorithme génétique. Appliquée à un modèle de croissance urbaine, cette méthode permet aux agents, représentant les habitants, de prendre des décisions basées sur leur environnement (par exemple, la proximité d'une route favorisant la construction). La génération procédurale aide à modéliser ces influences, mais la complexité du réglage manuel des paramètres rend nécessaire l'usage d'un algorithme génétique afin de les optimiser automatiquement. L'approche étudie trois mesures spatiales (distance de Chamfer, densité de noyau, et grille de densité) pour entraîner le modèle, et simuler la localisation de nouvelles habitations. Les résultats expérimentaux démontrent l'efficacité de cette méthode, sa généricité et l'importance des fonctions de fitness.