La Optimización de Malla Variable con Niching (VMO-N) es un marco para problemas multimodales (aquellos con múltiples óptimos en varios subespacios de búsqueda). Sus únicos dos casos están restringidos. Siendo un potente optimizador multimodal, el Algoritmo Evolutivo de Hill-Valley (HillVallEA) utiliza grandes poblaciones que prolongan su ejecución. Este estudio se esfuerza por revisar VMO-N, contrastarlo con enfoques relacionados, instanciarlo de manera efectiva, hacer que HillVallEA sea más rápido e indicar métodos (previos o nuevos) para su uso práctico. Hipotetizamos que una búsqueda previa adicional en HillVallEA puede reducir la población general, y que si tal disminución es sustancial, se ejecuta de manera más rápida pero efectiva. Tras refinar VMO-N, presentamos un nuevo caso de este, denominado Optimización de Malla basada en Clustering de Hill-Valley (HVcMO), que también extiende HillVallEA. Los resultados muestran que es la primera variante competitiva de VMO-N, también por encima de las estrategias de niching basadas en VMO. En cuanto al número de óptimos encontrados, HVcMO tiene un rendimiento estadísticamente similar a la última versión de HillVallEA. Sin embargo, viene con un beneficio crucial para HillVallEA: una reducción severa de la población, lo que conlleva a una drástica aceleración estimada cuando el volumen del espacio de búsqueda se encuentra en un cierto rango.