En los últimos años, se ha realizado una investigación intensiva para mejorar la inteligencia artificial (IA) utilizando técnicas de optimización. En este documento, presentamos una revisión exhaustiva de las técnicas de algoritmos de optimización basados en redes neuronales artificiales (ANNs) con algunas de las técnicas de optimización famosas, por ejemplo, algoritmo genético (GA), optimización por enjambre de partículas (PSO), colonia artificial de abejas (ABC) y algoritmo de búsqueda por retroceso (BSA) y algunas técnicas modernas desarrolladas, por ejemplo, el algoritmo de búsqueda de relámpagos (LSA) y el algoritmo de optimización de ballenas (WOA), y muchas más. Todo el conjunto de tales técnicas se clasifica como algoritmos basados en una población donde la población inicial se crea aleatoriamente. Los parámetros de entrada se inicializan dentro del rango especificado y pueden proporcionar soluciones óptimas. Este documento enfatiza la mejora de la red neuronal a través de algoritmos de optimización al manipular sus parámetros ajustados o parámetros de entrenamiento para obtener el mejor patrón de estructura de red para disolver los problemas de la mejor manera. Este documento incluye algunos resultados para mejorar el rendimiento de la ANN mediante técnicas de optimización PSO, GA, ABC y BSA, respectivamente, para buscar parámetros óptimos, por ejemplo, el número de neuronas en las capas ocultas y la tasa de aprendizaje. La red neuronal obtenida se utiliza para resolver problemas de gestión de energía en el sistema de planta de energía virtual.