El famoso modelo de neurona de McCulloch-Pitts ha sido criticado por ser excesivamente simplista a largo plazo. Al mismo tiempo, se ha demostrado que el modelo de neurona dendrítica (DNM) es efectivo en problemas de predicción, y tiene en cuenta la capacidad de procesamiento de información no lineal de las sinapsis y dendritas. Además, dado que el algoritmo clásico de retropropagación del error (BP) suele experimentar problemas causados por la abundancia de puntos de silla y trampas de mínimos locales, un enfoque de aprendizaje eficiente para DNMs sigue siendo deseable pero difícil de implementar. Además de BP, los métodos de optimización de DNM más comunes incluyen algoritmos metaheurísticos (MHAs). Sin embargo, a lo largo de las décadas, los MHAs han desarrollado una gran cantidad de algoritmos diferentes. Cómo seleccionar los MHAs adecuados para optimizar DNMs se ha convertido en un área de investigación candente y desafiante. En este estudio, clasificamos los MHAs en diferentes grupos con diferentes redes de interacción de población (PINs). Se prueba el rendimiento de los DNMs optimizados por diferentes grupos de MHAs en la tarea de pronóstico de series temporales financieras. Según los resultados experimentales, el DNM optimizado por MHAs con PINs distribuidas según ley de potencias supera al DNM entrenado basado en el algoritmo BP.