A otimização de treliças sob restrições de frequências naturais permite que um projetista controle as frequências selecionadas de forma a melhorar as características dinâmicas de uma estrutura. Por isso, a otimização de treliças com restrições de frequências vem recebendo muitos esforços nas últimas décadas. Por outro lado, para reduzir a massa da estrutura, são geradas mudanças bruscas nas frequências. Com isso, métodos tradicionais baseados em gradientes apresentaram dificuldades na otimização das treliças, convergindo muitas vezes para ótimos locais. Deste modo, muitos pesquisadores vêm aplicando algoritmos evolutivos nesta tarefa de otimizar treliças com restrições de frequências. Assim, este trabalho utilizou 4 algoritmos, Genetic Algorithm (GA), Simulated Annealing (SA), Particle Swarm Optimization (PSO) e Heuristic Kalman algorithm (HKA), para otimizar dois modelos de treliças que são benchmarks típicos na literatura, a treliça plana de 10 barras e a treliça espacial de 72 barras. A partir deste estudo, foram gerados gráficos estatísticos dos desempenhos desses algoritmos em cada problema, que também foram comparados com resultados da literatura que utilizaram outros algoritmos com este mesmo objetivo. Dos algoritmos estudados, o HKA obteve o melhor valor médio da função objetivo para ambas as treliças. Além disso, alguns algoritmos puros deste trabalho obtiveram resultados melhores que algoritmos aprimorados recentes na literatura. Com isso, foi verificado o no free lunch (NFL) theorem, que afirma que não existe algoritmo melhor que outro quando avaliados em uma média de todos os problemas possíveis.