Durante mucho tiempo, ha existido una brecha entre la investigación teórica en optimización y las aplicaciones en el mundo real. Un desafío clave es que muchos problemas del mundo real son problemas de caja negra, lo que dificulta identificar sus características y, en consecuencia, seleccionar los algoritmos más efectivos para resolverlos. Afortunadamente, la Red de Más Cercano Mejor ha surgido como una herramienta efectiva para analizar las características de los problemas, independientemente de la dimensionalidad. En este artículo, realizamos un análisis experimental en profundidad de funciones del mundo real de las competiciones CEC 2022 y CEC 2011 utilizando la NBN. Nuestros experimentos revelan que los problemas del mundo real a menudo presentan características como una estructura global poco clara, múltiples cuencas de atracción, vastas regiones neutras alrededor del óptimo global y altos niveles de mala condicionamiento.