Para formular un problema de optimización del mundo real, a veces es necesario adoptar un conjunto de términos no lineales en la formulación matemática para capturar características operativas específicas de ese problema de decisión. Sin embargo, el uso de términos no lineales generalmente aumenta la complejidad computacional del modelo de optimización y el tiempo computacional requerido para resolverlo. Esto motiva a la comunidad científica a desarrollar enfoques eficientes de transformación y linealización para los modelos de optimización que tienen términos no lineales. Se espera que tales transformaciones y linealizaciones disminuyan la complejidad computacional de los modelos de optimización no lineales originales y, en última instancia, faciliten la toma de decisiones. Este estudio proporciona una revisión detallada del estado del arte centrada en las técnicas de transformación y linealización existentes que se han utilizado para resolver modelos de optimización con términos no lineales dentro de las funciones objetivo y/o conjuntos de restricciones. Los enfoques de transformación existentes se analizan para una amplia gama de escenarios (multiplicación de variables binarias, multiplicación de variables binarias y continuas, multiplicación de variables continuas, operadores máximo/mínimo, función de valor absoluto, funciones de suelo y techo, función de raíz cuadrada y función de múltiples puntos de quiebre). Además, se presenta una revisión detallada de las funciones aproximantes por tramos y la log-linealización a través de la aproximación de series de Taylor. Junto con una revisión de los métodos existentes, este estudio propone una nueva técnica para linearizar los términos de raíz cuadrada mediante transformación. Se espera que los resultados de esta investigación revelen algunas ideas importantes para los investigadores y profesionales que trabajan estrechamente con modelos de optimización no lineales, y ayuden con la toma de decisiones efectiva.