یکی از فعالیتهای اصلی و کلیدی در توسعه پروژه های نرم افزاری تخمین دقیق هزینه های نرم افزار است. عدم قطعیت و پیچیدگی سیستم های نرم افزاری، توسعه موثر و کارآمد نرم افزار را با مشکل مواجه ساخته و باعث شده که سیستم های نرمافزاری، به تکنیکهای بهینه با منابع محدود، موثر و جدید تمایل یابند. پیش بینی تلاش لازم برای توسعه نرم افزار با بکارگیری الگوریتمهای بهینه سازی فراابتکاری پیشرفتهای قابل توجهی را در این حوزه ایجاد کرده است. این الگوریتمها این پتانسیل را دارند که به عنوان یک ابزار مفید معتبر، در تخمین تلاش نرم افزار بکار روند. ضرورت تلاش برای افزایش دقت تخمین ها ما را برآن داشت که در این مقاله به بررسی کارآیی برخی الگوریتمهای فرا ابتکاری و تاثیر آنها بر روی تخمین تلاش پروژه های نرم افزاری بپردازیم. به این منظور در این مقاله تاثیر ترکیب الگوریتمهای مختلف بهینه سازی از جمله الگوریتم ژنتیک و الگوریتم بهینه سازی ازدحام ذرات را با مدلهای مختلف تخمین از جمله مدل کوکومو، تخمین برپایه قیاس، متدهای یادگیری ماشین و مدلهای استاندارد تخمین بررسی شده است. این مدلها جهت آزمایش نتایج از مجموعه داده های مختلفی از جمله: کوکومو،دشارنیز، ناسا، کمررISBSG ،DPS ،CF و کوتن وگری استفاده کردند. با صرف نظر از روش تخمین، الگوریتم بهینه سازی و مجموعه داده مورد استفاده، کاهش مقدار خطا در تخمین هزینه های نرم افزار که هدف همه روشهای بهینه سازی مورد مطالعه بوده است؛ تحقق یافته است. بررسی انجام شده در این مقاله، می تواند به عنوان یک مرجع اولیه، مورد استفاده محققان قرار گیرد