Las metaheurísticas son solucionadores de problemas inteligentes dedicados a abordar problemas de optimización particularmente grandes. Durante los últimos 20 años, se han utilizado ampliamente para resolver diferentes problemas tanto académicos como del mundo real. Sin embargo, la mayoría de ellas han sido originalmente diseñadas para operar sobre variables de dominio real, siendo necesario adaptar su núcleo interno, por ejemplo, para ser efectivas en un espacio binario de soluciones. Varios trabajos han demostrado que esta modificación interna, conocida como binarización, no es una tarea sencilla, ya que las diversas formas de binarización existentes pueden llevar a resultados muy diferentes. Esto, por supuesto, obliga al usuario a implementar y analizar una larga lista de esquemas de binarización para obtener buenos resultados. En este documento, exploramos dos métodos de agrupamiento eficientes, a saber, KMeans y DBscan, para modificar una metaheurística con el fin de mejorarla, y así no depender del conocimiento de un usuario experto para identificar qué estrategia de binarización funciona mejor durante la ejecución. Ambas técnicas se han aplicado ampliamente para resolver problemas de agrupamiento, lo que nos permite explotar la información útil recopilada durante la búsqueda para controlar y mejorar eficientemente el proceso de binarización. Integraremos esas técnicas en una metaheurística reciente llamada Crow Search, y realizaremos experimentos donde KMeans y DBscan se contrastarán con 32 métodos de binarización diferentes. Los resultados muestran que los enfoques propuestos superan a la mayoría de las estrategias de binarización para una larga lista de instancias de optimización bien conocidas.