El trabajo de investigación sobre optimización ha experimentado un crecimiento significativo en los últimos años, especialmente en las áreas de algoritmos de optimización multiobjetivo y de un solo objetivo. Este estudio proporciona una visión general y una evaluación crítica de una amplia gama de algoritmos de optimización, desde métodos convencionales hasta innovadoras técnicas metaheurísticas. Los métodos utilizados para el análisis incluyen análisis bibliométrico, análisis de palabras clave y análisis de contenido, centrándose en estudios del período 2000-2023. Se utilizaron extensamente bases de datos como IEEE Xplore, SpringerLink y ScienceDirect. Nuestro análisis revela que, si bien los algoritmos tradicionales como la optimización evolutiva (EO) y la optimización por enjambre de partículas (PSO) siguen siendo populares, métodos más nuevos como el optimizador dependiente de la aptitud (FDO) y el comportamiento basado en el rendimiento del aprendiz (LPBB) están ganando atracción debido a su adaptabilidad y eficiencia. La principal conclusión enfatiza la importancia de la diversidad algorítmica, los estándares de referencia y las métricas de evaluación del rendimiento, destacando futuros caminos de investigación que incluyen la exploración de algoritmos híbridos, el uso de conocimientos específicos del dominio y la resolución de problemas de escalabilidad en la optimización multiobjetivo.