Este estudio presenta una exploración exhaustiva de la optimización de hiperparámetros en redes neuronales convolucionales unidimensionales (CNN) para la detección de intrusiones en redes. La creciente frecuencia y complejidad de los ciberataques han generado una necesidad urgente de sistemas efectivos de detección de intrusiones (IDS). Aquí nos enfocamos en optimizar nueve hiperparámetros dentro de un modelo de CNN 1D, utilizando dos métodos de computación evolutiva bien establecidos: algoritmo genético (GA) y optimización por enjambre de partículas (PSO). El rendimiento de estos métodos se evalúa utilizando tres conjuntos de datos principales: UNSW-NB15, CIC-IDS2017 y NSL-KDD. Las métricas de rendimiento clave consideradas en este estudio incluyen la precisión, pérdida, precisión, recuperación y puntuación F1. Los resultados demuestran mejoras considerables en todas las métricas en todos los conjuntos de datos, tanto para modelos optimizados con GA como con PSO, en comparación con los del modelo original de CNN 1D no optimizado. Por ejemplo, en el conjunto de datos UNSW-NB15, GA y PSO logran precisión de 99.31 y 99.28%, respectivamente. Ambos algoritmos arrojan resultados equivalentes en términos de precisión, recuperación y puntuación F1. De manera similar, los rendimientos de GA y PSO varían en los conjuntos de datos CIC-IDS2017 y NSL-KDD, lo que indica que la eficacia del algoritmo de optimización es específica del contexto y depende de la naturaleza del conjunto de datos. Los hallazgos de este estudio demuestran la importancia y los efectos de la optimización eficiente de hiperparámetros, contribuyendo en gran medida al campo de la seguridad de redes. Este estudio representa un paso crucial hacia el desarrollo de IDS avanzados, robustos y adaptables capaces de hacer frente al panorama en evolución de las amenazas cibernéticas.