Varios algoritmos de optimización metaheurística basados en la población han sido propuestos en las últimas décadas, ninguno de los cuales es capaz de superar a todos los algoritmos existentes o de resolver todos los problemas de optimización según el teorema de No Free Lunch (NFL). Muchos de estos algoritmos se comportan de manera efectiva, bajo una configuración correcta del(os) parámetro(s) de control, al resolver diferentes problemas de ingeniería. El comportamiento de optimización de estos algoritmos se ve potenciado al aplicar varias estrategias, que incluyen la técnica de hibridación y el uso de mapas caóticos en lugar de los generadores de números pseudoaleatorios (PRNGs). Los algoritmos híbridos son adecuados para un gran número de aplicaciones de ingeniería en las que se comportan de manera más efectiva que los algoritmos de optimización de pura raza. Sin embargo, aumentan la dificultad de configurar correctamente los parámetros de control, y a veces están diseñados para resolver problemas particulares. Este documento presenta tres hibridaciones denominadas HYBPOP, HYBSUBPOP y HYBIND de hasta siete algoritmos libres de parámetros de control. Cada propuesta híbrida utiliza una estrategia diferente para cambiar el algoritmo encargado de generar cada nuevo individuo. Estos algoritmos son Jaya, algoritmo seno coseno (SCA), algoritmos de Rao, optimización basada en el aprendizaje de enseñanza (TLBO) y Jaya caótico. Los resultados experimentales muestran que los algoritmos propuestos funcionan mejor que los algoritmos originales, lo que implica el uso óptimo de estos algoritmos según el problema a resolver. Una ventaja más de los algoritmos híbridos es que no se necesita un proceso previo de ajuste de parámetros de control.