Este trabajo trata sobre la presentación de una red neuronal de disparo como un medio para resolver eficientemente la reducción de dimensionalidad de datos de manera no lineal. El modelo neuronal subyacente, que puede integrarse como hardware neuromórfico, resulta adecuado para el procesamiento inteligente en computación en el borde dentro de los sistemas de Internet de las Cosas. En este sentido, para lograr un rendimiento significativo con una baja complejidad de una red neuronal de disparo de una sola capa, la fase de entrenamiento utiliza el algoritmo de la colonia de abejas artificiales metaheurístico con una función objetivo de los principales en la ciencia del aprendizaje automático, a saber, el algoritmo modificado de incrustación de vecinos estocásticos. Para demostrar este hecho, se utilizaron datos de referencia complejos y se compararon los resultados con los generados por una red de referencia con neuronas continuas-sigmoideas. El objetivo de este trabajo es demostrar a través de experimentos numéricos otro método para entrenar redes neuronales de disparo, donde el optimizador utilizado proviene de metaheurísticas. Por lo tanto, el problema clave es definir la función objetivo, que puede relacionar de manera óptima la información en ambos lados de la red neuronal de disparo. Ciertamente, las técnicas de aprendizaje automático han avanzado en la definición de funciones de pérdida eficientes que pueden convertirse en candidatos de función objetivo adecuados en la fase de entrenamiento metaheurístico. La practicidad de estas ideas se muestra en este artículo. Utilizamos valores de error cuadrático medio (MSE) para evaluar la calidad relativa de los resultados y también matrices de co-rango.