Este documento presenta un algoritmo metaheurístico paralelo llamado Búsqueda de Flor Cucú (CFS). Este algoritmo combina el Algoritmo de Polinización de Flores (FPA) y la Búsqueda de Cucú (CS) para entrenar modelos de Perceptrón Multicapa (MLP). El algoritmo se evalúa en problemas de referencia estándar y se demuestra su competitividad frente a otros algoritmos de vanguardia. Se utilizan múltiples conjuntos de datos para evaluar el rendimiento de CFS en el entrenamiento de MLP. Los resultados experimentales se comparan con varios algoritmos como Algoritmo Genético (GA), Optimización de Lobo Gris (GWO), Optimización por Enjambre de Partículas (PSO), Búsqueda Evolutiva (ES), Optimización de Colonia de Hormigas (ACO) y Aprendizaje Incremental Basado en Población (PBIL). Se realizan pruebas estadísticas para validar la superioridad del algoritmo CFS en la búsqueda de soluciones óptimas globales. Los resultados indican que CFS logra resultados significativamente mejores con una tasa de convergencia más alta en comparación con los otros algoritmos probados. Esto destaca la efectividad de CFS en la resolución de problemas de optimización de MLP y su potencial como algoritmo competitivo en el campo.