در این مقاله، الگوریتم بهینه‌سازی نهنگ و تعدادی از الگوریتم‌های تعمیم یافته روی آن مورد بررسی قرار گرفته است. الگوریتم بهینه‌سازی نهنگ به‌عنوان یک روش فراابتکاری جدید، جایگاه برجسته‌ای در حل مسائل پیچیده بهینه‌سازی به دست آورده است. این الگوریتم که از رفتار اجتماعی نهنگ‌ها در طبیعت الهام گرفته شده، به دلیل توانایی‌های قابل توجه در یافتن بهینه‌های سراسری و محلی، مورد توجه قرار گرفته است. با این حال، الگوریتم بهینه‌سازی نهنگ با چالش‌هایی روبروست؛ نظیر نرخ همگرایی کند که می‌تواند منجر به افزایش زمان محاسباتی در حل مسائل شود، و همچنین پایبندی به برخی از راه‌حل‌های محلی، که این پایبندی به انتخاب تصادفی عوامل جستجو در مرحله اکتشاف برمی‌گردد. این محدودیت‌ها باعث شده است که پژوهشگران به توسعه و بهبود این الگوریتم با استفاده از ترکیب آن با روش‌ها و الگوریتم‌های مختلف بپردازند. در سال‌های اخیر، ترکیب الگوریتم بهینه‌سازی نهنگ با روش‌های فازی و غیرفازی موجب بهبود قابل‌توجهی در عملکرد آن، به‌ویژه در مسائلی مانند انتخاب ویژگی، خوشه‌بندی داده‌ها، و مسائل پیچیده مهندسی شده است. این ترکیب‌ها توانسته‌اند ضمن حفظ مزایای ذاتی الگوریتم بهینه‌سازی نهنگ، نقاط ضعف آن را کاهش داده و کارایی و دقت بیشتری در حل مسائل مختلف ارائه دهند. این مقاله به بررسی چندین نسخه بهبودیافته از الگوریتم بهینه‌سازی نهنگ می‌پردازد که با استفاده از راهکار‌های مختلف توسعه یافته‌اند. این الگوریتم‌ها از جنبه‌های متعددی نظیر نرخ همگرایی، دقت، پیچیدگی، میانگین مقدار شایستگی، اجتناب از گیرافتادن در بهینه‌های محلی و کاربرد در مسائل عملی با یکدیگر مقایسه شده‌اند. علاوه بر این، نقاط قوت و ضعف هر یک از این نسخه‌ها تحلیل شده و کاربردهای آن‌ها در زمینه‌های مختلف علمی و صنعتی بررسی شده است. نتایج این پژوهش می‌تواند به‌عنوان یک مرجع جامع برای محققان و مهندسانی که در پی به‌کارگیری یا توسعه الگوریتم‌های بهینه‌سازی پیشرفته هستند، مورد استفاده قرار گیرد. همچنین، این مقاله به درک عمیق‌تر عملکرد الگوریتم بهینه‌سازی نهنگ و روش‌های بهبود آن کمک می‌کند و می‌توان از آن به‌عنوان پایه‌ای برای تحقیقات آتی در این حوزه استفاده کرد.