El artículo ofrece un posible tratamiento para la investigación numérica de tareas que requieren la búsqueda de un óptimo absoluto. Este enfoque se establece empleando métodos globalizados inspirados en la naturaleza, así como métodos locales de descenso para exploración y explotación. Tres algoritmos híbridos de minimización no convexa son desarrollados e implementados. Se utilizan modificaciones de algoritmos de polinización de flores, maestro-aprendiz y luciérnaga como métodos inspirados en la naturaleza para la búsqueda global. El método de región de confianza modificado basado en la aproximación de la diagonal principal de la matriz Hessiana se aplica para el refinamiento local. Se ha realizado la comparación numérica de variantes del enfoque realizado empleando una colección representativa de funciones objetivo multimodales. Los métodos de optimización no convexa implementados se han utilizado para resolver los problemas aplicados. Estas tareas utilizan una optimización de los potenciales de cúmulos de metal de baja energía de Sutton-Chen con un número muy grande de átomos y la identificación paramétrica del modelo dinámico no lineal. Los resultados de esta investigación confirman el rendimiento de los algoritmos sugeridos.