La optimización de pesos (pesos sinápticos) en los arcos de una red neuronal es fundamental para el aprendizaje y la capacidad predictiva del modelo. Estos pesos determinan la influencia que tiene la señal de una neurona sobre otra y, por lo tanto, controlan cómo se propaga la información a través de la red. Durante el entrenamiento, los algoritmos de optimización ajustan estos pesos para minimizar el error entre las predicciones del modelo y los valores reales, permitiendo que la red aprenda patrones complejos a partir de los datos. Una optimización adecuada mejora la generalización del modelo, evita el sobreajuste y asegura un desempeño más preciso en tareas como clasificación, regresión o reconocimiento de patrones. Es por ello que en este trabajo de tesis se propone un algoritmo que adapta dinámicamente tanto la estrategia de muestreo como la regularización del modelo. Dentro de este trabajo, se compara el desempeño de este algoritmo, considerando el error cuadrático medio y el coeficiente de correlación, con otros algoritmos como el de murciélagos, el PSO, algoritmos genéticos, entre otros. Los algoritmos analizados, fueron aplicados en el entrenamiento de redes neuronales, tomando como fuente de información seis conjuntos de datos de diversas áreas. En los resultados presentados se puede observar un desempeño aceptable del algoritmo propuesto, en comparación con los algoritmos estudiados y que fueron utilizados para la minimización del error en el entrenamiento de las redes neuronales artificiales.