Los motores de corriente continua son ampliamente utilizados en aplicaciones industriales, y se ha vuelto necesario llevar a cabo estudios y experimentos para su optimización. En este manuscrito, se presenta una comparación entre algoritmos heurísticos y metaheurísticos, específicamente, los algoritmos Steiglitz-McBride, Jaya, Algoritmo Genético (GA) y Grey Wolf Optimizer (GWO). Se utilizaron para estimar los parámetros de un modelo dinámico que aproxima las respuestas reales de corriente y velocidad angular de un motor de corriente continua. La inversa de la distancia euclidiana entre los errores de corriente y velocidad se definió como la función de aptitud para los algoritmos metaheurísticos. Para una comparación más exhaustiva entre algoritmos, se utilizaron otros indicadores como el error cuadrático medio (MSE), la desviación estándar, el tiempo de computación y los puntos clave de las respuestas de corriente y velocidad. Las simulaciones se realizaron con MATLAB/Simulink 2010 utilizando los parámetros estimados y se compararon con los experimentos. Los resultados mostraron que Steiglitz-McBride y GWO son mejores estimadores paramétricos, funcionando mejor que Jaya y GA en señales reales y parámetros nominales. Los indicadores indican que GWO es más preciso para la estimación paramétrica, con un MSE promedio del 0,43%, pero requiere un alto costo computacional. Por el contrario, Steiglitz-McBride tuvo un MSE promedio del 3,32% pero requirió un costo computacional mucho menor. El GWO presentó un error del 1% en la respuesta dinámica utilizando los indicadores correspondientes. Si se requiere una estimación paramétrica más precisa, se recomienda utilizar GWO; sin embargo, el algoritmo heurístico tuvo un mejor rendimiento en general. El rendimiento de los algoritmos presentados en este documento puede cambiar si se utilizan diferentes funciones de error.