Como solucionadores convencionales para problemas de optimización de caja negra, los métodos de computación evolutiva (EC) tienen dificultades para encontrar óptimos deseados de menor atractivo. Los investigadores han diseñado problemas de referencia para simular este escenario y han propuesto una gran cantidad de métodos de nicho para resolver esos problemas. Sin embargo, los factores que causan la diferencia en atractivo entre los óptimos locales a menudo están acoplados en los problemas de referencia existentes, lo que dificulta aclarar los principales contribuyentes. Además, los métodos de nicho se llevan a cabo utilizando una combinación de varias técnicas de nicho y operadores de reproducción, lo que aumenta la dificultad de identificar los efectos esenciales de las diferentes técnicas de nicho. Para obtener una comprensión profunda del problema anterior, ofreciendo así información útil para tareas de optimización desafiadas por la multimodalidad, este artículo utiliza la optimización continua como punto de entrada y se centra en analizar los comportamientos diferenciales de los métodos de EC a través de diferentes cuencas de atracción. Específicamente, investigamos cuantitativamente los impactos independientes de tres características de las cuencas de atracción a través de escenarios de referencia correspondientes generados por Free Peaks. Los resultados muestran que los sesgos de convergencia inducidos por la diferencia en la distribución solo ocurren en métodos de EC con operadores de reproducción menos uniformes. Por otro lado, los sesgos de convergencia inducidos por diferencias en tamaño y aptitud promedio, que equivalen a la diferencia en el tamaño de la región superior, representan un desafío para cualquier método de EC impulsado por funciones objetivo. Dado que los métodos de nicho limitan la selección de sobrevivientes a vecindarios específicos para mitigar los sesgos posteriores, abstraemos cinco técnicas de nicho de estos métodos por sus definiciones de vecindario para la competencia restringida, identificando así parámetros clave que rigen su eficacia. Los experimentos confirman los roles críticos de estos parámetros en la reducción de sesgos de convergencia.