El niching en la optimización global se refiere a un conjunto de técnicas diseñadas para identificar múltiples soluciones óptimas dentro de un paisaje no lineal y multimodal. Estos algoritmos mejoran las capacidades exploratorias de las metaheurísticas convencionales al mantener la diversidad y apoyar subpoblaciones coexistentes en un espacio de búsqueda, permitiendo así un enfoque más determinista hacia el verdadero óptimo global. Los algoritmos de niching pueden clasificarse en tres subfamilias principales: niching secuencial o temporal, niching paralelo o espacial, y modelos híbridos que integran varios subparadigmas de niching. Este artículo de investigación tiene como objetivo explorar la efectividad y limitaciones de diferentes algoritmos de niching mediante una revisión sistemática de la literatura de los marcos teóricos dentro de estas subfamilias. Se han identificado once subparadigmas nativos principales de niching: compartición de aptitud, hacinamiento, limpieza, especiación, selección de torneo restringida, agrupamiento, multiobjetivación, métodos híbridos integrados, métodos híbridos de conjunto y otros enfoques híbridos. Este estudio ofrece un examen detallado de la base teórica de cada paradigma, incluidos los diseños algorítmicos de plantilla, y delinea los elementos únicos de cada enfoque. Las contribuciones de investigación desde el inicio del niching hasta 2024 se han agregado de la base de datos SCOPUS y se han clasificado sistemáticamente. La agregación de datos incluyó artículos de revistas, ponencias de conferencias, artículos de revisión e informes de investigación publicados solo en inglés siguiendo el marco PRISMA. También se tuvieron en cuenta los artículos de aplicación con ideas teóricas novedosas. En total, se retuvieron 203 trabajos de investigación bajo los criterios de inclusión y exclusión. Este estudio concluye con recomendaciones generales de alto nivel para futuras investigaciones en la optimización de niching moderna, enfatizando el desarrollo de métodos escalables en espacio y tiempo para mejorar la adaptabilidad y eficiencia de los algoritmos de optimización en problemas diversos, cada vez más multivariables y multimodales.