Muchos problemas en la vida diaria presentan un comportamiento no lineal. Por lo tanto, es importante resolver problemas no lineales. Estos problemas son complejos y difíciles debido a su naturaleza no lineal. Se observa en la literatura que se utilizan diferentes técnicas de inteligencia artificial para resolver estos problemas. Una de las más importantes de estas técnicas es la de redes neuronales artificiales. Obtener resultados exitosos con una red neuronal artificial depende de su proceso de entrenamiento. En otras palabras, debe ser entrenada con un buen algoritmo de entrenamiento. Especialmente, los algoritmos metaheurísticos se utilizan con frecuencia en el entrenamiento de redes neuronales artificiales debido a sus ventajas. En este estudio, por primera vez, se analiza el rendimiento de dieciséis algoritmos metaheurísticos en el entrenamiento de redes neuronales artificiales para la identificación de sistemas no lineales. Se busca determinar los algoritmos de entrenamiento de redes neuronales metaheurísticas más efectivos. Los algoritmos metaheurísticos se examinan en términos de calidad de solución y velocidad de convergencia. En las aplicaciones, se utilizan seis sistemas no lineales. El error cuadrático medio (MSE) se utiliza como métrica de error. Los mejores valores de error medio de entrenamiento obtenidos para los seis sistemas no lineales fueron , , , , , y , respectivamente. Además, los mejores valores de error medio de prueba encontrados para todos los sistemas fueron exitosos. Al examinar los resultados, se observó que la optimización basada en biogeografía, la optimización de la llama de la polilla, el algoritmo de colonia de abejas artificiales, la optimización basada en aprendizaje y enseñanza, y el optimizador de multi-verso fueron generalmente más efectivos que otros algoritmos metaheurísticos en la identificación de sistemas no lineales.