Los sistemas complejos ofrecen una oportunidad para analizar la esencia de los fenómenos al estudiar sus conexiones intrincadas. Las redes formadas por estas conexiones, conocidas como redes complejas, encarnan los principios subyacentes que rigen el comportamiento del sistema. Aunque las redes complejas se han aplicado previamente en el campo de la computación evolutiva, los estudios anteriores han sido limitados en su capacidad para llegar a conclusiones concluyentes. Basándonos en nuestras investigaciones, estamos en contra de la noción de que existe un vínculo directo entre la estructura de red compleja de un algoritmo y su rendimiento, y lo demostramos experimentalmente. En este documento, abordamos estas limitaciones analizando las estructuras dinámicas de red compleja de cinco algoritmos en tres problemas diferentes. Al incorporar distribuciones matemáticas utilizadas en investigaciones anteriores, no solo generamos ideas novedosas, sino que también refinamos y desafiamos conclusiones anteriores. Específicamente, introducimos la distribución de Poisson sesgada para describir la capacidad de exploración del algoritmo y la distribución de ley de potencia sesgada para representar su potencial de explotación durante el proceso de convergencia. Nuestro objetivo es redirigir la investigación sobre la interacción entre las redes complejas y la computación evolutiva hacia estructuras de red dinámicas, elucidando la esencia de la explotación y la exploración en el proceso de optimización de caja negra de algoritmos evolutivos a través de redes complejas dinámicas.