En este documento, proponemos un método para optimizar los valores de los parámetros en algoritmos de reconstrucción iterativa que incluyen parámetros ajustables con el fin de optimizar el rendimiento de la reconstrucción. Específicamente, nos enfocamos en el algoritmo de maximización de expectativas basado en divergencia de potencia, que incluye dos índices de potencia como parámetros ajustables. A través de experimentos numéricos y físicos, demostramos que la optimización de la función de evaluación basada en medidas de divergencia de potencia extendida y divergencia de potencia extendida ponderada produce una reconstrucción de imagen de alta calidad. Es notable que los valores óptimos de los parámetros derivados del método propuesto producen resultados de reconstrucción comparables a los obtenidos utilizando la imagen real, incluso al utilizar funciones de distancia basadas en diferencias entre datos de proyección directa y datos de proyección medidos, como se verifica en experimentos numéricos. Estos resultados sugieren que el método propuesto mejora efectivamente la calidad de la reconstrucción sin necesidad de técnicas de aprendizaje automático en la selección de parámetros. Nuestros hallazgos también indican que este enfoque es útil para mejorar el rendimiento de los algoritmos de reconstrucción iterativa, especialmente en imágenes médicas, donde se requiere una reconstrucción de alta precisión en condiciones ruidosas.