Uno de los problemas más desafiantes que aún están abiertos en el campo de la ciencia de materiales es la reconstrucción 3D de medios porosos utilizando información de una sola imagen delgada 2D del material original. Tal reconstrucción solo es factible sujeta a algunas suposiciones importantes que deben hacerse en lo que respecta a las propiedades estadísticas del material. En este estudio, el problema mencionado anteriormente se investiga como un problema de optimización formulado explícitamente, con la fase de cada punto de material poroso siendo decidida de tal manera que el modelo de material 3D resultante muestre las mismas propiedades estadísticas que su versión 2D correspondiente. Basándose en esta formulación del problema, aquí por primera vez, se aplicaron varios algoritmos de optimización tradicionales (algoritmos genéticos-GA, optimización por enjambre de partículas-PSO, evolución diferencial-DE), así como algoritmos de optimización inspirados en la naturaleza propuestos recientemente (algoritmo de luciérnaga-FA, colonia artificial de abejas-ABC, algoritmo de búsqueda gravitacional-GSA) para resolver el problema de reconstrucción 3D. Estos algoritmos utilizaron un esquema de representación de datos recién propuesto que disminuyó el número de incógnitas buscadas por el proceso de optimización. Se definieron claramente las ventajas de abordar la reconstrucción 3D de medios porosos a través de la aplicación de un algoritmo de optimización heurística paralela, mientras que se llevaron a cabo experimentos apropiados que demostraron el mejor rendimiento del algoritmo GA en casi todos los casos en un factor entre 5%-84% (exactitud de porosidad) y 3%-15% (exactitud de la función de autocorrelación) sobre los algoritmos PSO, DE, FA, ABC y GSA. Además, este estudio reveló que las funciones estadísticas de un alto orden deben incorporarse en el procedimiento de reconstrucción para aumentar la precisión de la reconstrucción.