در این پژوهش به بررسی روش های بهینه سازی مسال? بالانس دینامیکی مکانیزم پیچید? لنگ و لغزنده پرداخته می شود. این روش ها زیرمجموعه ای از الگوریتم های تکاملی محسوب می شوند. الگوریتم های تکاملی، روش های بهینه سازی تصادفی هستند که بر روی یک جمعیت یا مجموعه ای از جواب ها کار می کنند و در نهایت با توجه به تابع برازش و همچنین عملیات مختص مربوط به نوع الگوریتم، به جواب بهینه دست می یابند. بالانس دینامیکی این مکانیزم، مساله ای غیرخطی بوده و از پیچیدگی بسیار بالایی برخوردار است. به همین دلیل، برای بهینه سازی آن از الگوریتم های فرامکاشفه ای همچون الگوریتم پرندگان (pso)، کلونی زنبور عسل مصنوعی (abc)، رقابت استعماری (ica)، جستجوی ممنوع (ts)، تبرید شبیه سازی شده (sa)، ترکیب جستجوی ممنوع و تبرید شبیه سازی شده (hsats) و ترکیب ژنتیک و پرندگان (hgapso) استفاده می شود. از آن جایی که هدف از بهینه سازی این مساله، کمینه کردن میزان نیروها و ممان های ارتعاشی است، لذا یک مدل بهینه سازی با هدف کمینه کردن مقدار هزین? تابع هدف بکار گرفته شده است. در این مکانیزم بالانس دینامیکی با افزودن جرم های بالانس کننده انجام می گیرد و تعیین مقدار بهین? جرم ها و زاوی? قرارگیری آن ها منجر به حذف نیروهای نابالانسی می شود. همچنین قیودی برای این جرم ها در نظر گرفته می شود که برای هر راه حل محاسبه می شوند و نباید تحت هیچ شرایطی نقض گردند. بهینه سازی بالانس این مکانیزم تاکنون به غیر از الگوریتم ژنتیک با هیچ الگوریتم دیگری انجام نگرفته است؛ بنابراین این پژوهش در این حوزه به عنوان اولین تحقیق با الگوریتم های فرامکاشفه ای مذکور محسوب می گردد. پیاده سازی و مقایس? نتایج، نشان از برتری قابل توجه الگوریتم پرندگان (pso) دارد به این معنا که این الگوریتم نسبت به الگوریتم ژنتیک علاوه بر این که 99/0 برابر هزینه تابع هدف کمتری بدست می آورد، بلکه 32/3 برابر زمان کمتری نیز برای رسیدن به جواب بهینه صرف می کند. همچنین اعتبارسنجی نتایج بهینه سازی برای اندازه گیری بالانس و مقایس? سیگنال سرعت و شتاب مکانیزم مورد توجه و آزمایش تجربی می باشد.