Optimasi adalah masalah mencari solusi terbaik dari berbagai kemungkinan solusi. Dalam menyelesaikan masalah optimasi, algoritma kecerdasan kolektif sering digunakan sebagai metode untuk menemukan solusi dari masalah optimasi. Hal ini dikarenakan kecerdasan kolektif memiliki berbagai algoritma untuk mencari berbagai jenis masalah pengoptimalan berkelanjutan. Namun, tidak semua algoritme ini bekerja dengan performa yang sama. Algoritme dapat bekerja lebih baik untuk suatu masalah daripada algoritme lainnya. Oleh karena itu, keragaman kinerja algoritma ini harus diidentifikasi, dianalisis, dan dibandingkan. Dengan mengetahui kekuatan, kelemahan, sifat, dan perilaku algoritma dalam menyelesaikan berbagai masalah, hal ini diyakini dapat mewujudkan penggunaan algoritma yang lebih efektif dalam menyelesaikan berbagai masalah. Dalam makalah ini, Algoritma Dragonfly (DA), Algoritma Serigala Abu-abu (GWO), dan Algoritma Rao diselidiki dengan cermat menggunakan sembilan fungsi benchmark. Hasilnya menunjukkan bahwa Rao secara umum berkinerja lebih baik daripada GWO danDA. DA dikalahkan oleh GWO dan Rao dalam mencapai skor konvergensi, meskipun DA memiliki keunggulan dalam mencari ruang pencarian yang besar, dan secara teori, dengan populasi yang cukup, DA dapat berkinerja lebih baik daripada GWO atau Rao.