La industria es la aplicación principal para las máquinas de inducción. Como tal, es esencial calcular con precisión las propiedades eléctricas de los dispositivos de inducción. Con pruebas de CC, pruebas de rotor en vacío y pruebas de rotor bloqueado, se puede evaluar empíricamente las variables eléctricas de los motores de inducción. Estas pruebas son costosas y difíciles de realizar, sin embargo. La información proporcionada por los fabricantes de máquinas también se puede utilizar para aproximar con precisión las variables equivalentes de los circuitos en las máquinas de inducción. Este artículo ha predicho con éxito la reactancia del motor (Xm) tanto para modelos de doble como de simple jaula utilizando redes neuronales artificiales (ANN). Aunque las ANN han sido investigadas en la literatura, las estructuras de las ANN se entrenaron para utilizar un entrenamiento no memorizado. Además de las ANN, se han sugerido otras seis aproximaciones para abordar este problema: optimización basada en montículos (HBO), algoritmo de campeonato de ligas (LCA), optimización de multiverso (MVO), algoritmo de optimización de águila pescadora (OOA), algoritmo de optimización de cuco (COA) y algoritmo de optimización de charrán sombrío (STOA). La eficacia de las aproximaciones sugeridas se comparó entre sí. En cuanto a los resultados obtenidos, la técnica sugerida MVO-multi-capa perceptrón (MLP) tuvo un mejor desempeño que los otros cinco métodos en cuanto a la predicción de la reactancia, con R de 0.99598 y 0.9962, y RMSE de 20.31492 y 20.80626 en las fases de prueba y entrenamiento, respectivamente. Para el modelo proyectado, las ANN sugeridas han producido excelentes resultados. La novedad radica en la capacidad de los métodos mencionados para abordar las complejidades y desafíos asociados con la optimización de la reactancia del motor de inducción, proporcionando enfoques innovadores para encontrar soluciones óptimas o casi óptimas. A medida que los investigadores continúan explorando y refinando estas técnicas, es probable que su impacto en el diseño y la eficiencia de los motores crezca, impulsando avances en ingeniería eléctrica.