Cuando se trata de modelar sistemas complejos utilizando un enfoque basado en agentes, hay un problema de elegir la técnica adecuada de optimización de parámetros. Este problema se agrava aún más por el hecho de que el espacio de parámetros en sistemas basados en agentes complejos puede tener una gran dimensión, y el tiempo requerido para realizar experimentos numéricos puede ser extenso. Un enfoque alternativo a los métodos de optimización tradicionales son los llamados algoritmos metaheurísticos, que proporcionan una solución aproximada en un tiempo aceptable. El propósito de este estudio es comparar varios algoritmos metaheurísticos para la sintonización de parámetros y analizar su efectividad aplicada a dos modelos basados en agentes con diferentes complejidades. En este estudio, consideramos algoritmos metaheurísticos comúnmente utilizados para la optimización de modelos basados en agentes: el método de Monte Carlo de cadena de Markov, el enfoque de modelado de sustitución, el algoritmo de optimización de enjambre de partículas y el algoritmo genético, así como el algoritmo de optimización de juego de caos más novedoso. Los algoritmos propuestos fueron probados en dos modelos basados en agentes, uno de los cuales era un modelo simple de juguete de la propagación de enfermedades contagiosas, y el otro era un modelo más complejo de la circulación de virus respiratorios en una ciudad con 10 millones de agentes y 26 parámetros calibrados.