El Algoritmo de Optimización del Lobo Gris (GWO) es un miembro de la familia de algoritmos de inteligencia de enjambre, que posee los aspectos destacados de fácil realización, ajustes de parámetros simples y amplia aplicabilidad. Sin embargo, en algunos problemas de aplicación a gran escala, el algoritmo de optimización del lobo gris se queda fácilmente atrapado en óptimos locales, muestra una pobre capacidad de exploración global y sufre de convergencia prematura. Dado que la actualización del lobo gris está guiada solo por los mejores tres lobos, esto conduce a una baja multiplicidad de población y una pobre capacidad de exploración global. En respuesta a los problemas anteriores, diseñamos un algoritmo de optimización del lobo gris colaborativo de múltiples estrategias (NOGWO). En primer lugar, utilizamos una estrategia de caminata aleatoria para ampliar el alcance de la exploración y mejorar la capacidad de exploración global del algoritmo. En segundo lugar, agregamos un modelo de aprendizaje basado en oposición influenciado por el principio de refracción para generar una solución opuesta para cada población, mejorando así la multiplicidad de población y evitando que el algoritmo sea atraído por óptimos locales. Finalmente, para equilibrar la exploración local y global y elevar el efecto de convergencia, introducimos un nuevo factor convergente. Realizamos pruebas experimentales en NOGWO utilizando 30 funciones de prueba CEC2017. Los resultados experimentales indican que en comparación con GWO y algunos algoritmos de inteligencia de enjambre, NOGWO tiene una mejor capacidad de exploración global y precisión de convergencia. Además, también aplicamos NOGWO a tres problemas de ingeniería y un problema de planificación de ruta de vehículos aéreos no tripulados. Los resultados del experimento sugieren que NOGWO se desempeña bien en la resolución de estos problemas prácticos.