La méthode du cube permet de sélectionner des échantillons équilibrés sur plusieurs variables tout en respectant des probabilités d'inclusion égales ou inégales. Nous proposons un nouvel algorithme d'échantillonnage équilibré généralisant la méthode du cube qui permet à la fois de respecter des contraintes d'égalité et d'inégalité. Plusieurs applications sont présentées: l'équilibrage sur des variables catégorielles pour lesquelles les sommes de probabilités d'inclusion ne sont pas entières, l'arrondissement des éléments d'une matrice dont les marges ne sont pas entières, la sélection d'un échantillon bien étalé dans l'espace. Pour cette dernière application, une étude de simulation est conduite afin de comparer la performances de notre méthode avec d'autres méthodes existantes: la tessellation aléatoire généralisée stratifiée, la méthode du pivot local et la méthode d'échantillonnage au moyen de vecteurs faiblement associés. Ces simulations montrent l'intérêt de cette nouvelle méthode. Notre nouvelle méthode est polyvalente. Elle offre ainsi la flexibilité nécessaire pour répondre à divers besoins où des contraintes d'inégalités se justifient dans la sélection d'échantillons.