Se propone un algoritmo de optimización de chimpancés mejorado que incorpora múltiples estrategias (IMSChoA) para abordar los problemas de distribución de agregación de límites de población inicializada, velocidad de convergencia lenta, baja precisión y tendencia a caer en la optimalidad local del algoritmo de búsqueda de chimpancés. En primer lugar, se utiliza un mapeo caótico seno mejorado para inicializar la población y resolver el problema de distribución de agregación de límites de población. En segundo lugar, se añade un factor de ponderación lineal y un factor de aceleración adaptativo para incorporar la idea de enjambre de partículas y cooperar con el factor de convergencia no lineal mejorado para equilibrar la capacidad de búsqueda global del algoritmo, acelerar la convergencia del algoritmo y mejorar la precisión de convergencia. Finalmente, se añaden la mutación de élite de gorriones y la estrategia de mapeo caótico de Bernoulli mejorada por un factor de cambio adaptativo de ola de agua para mejorar la capacidad de los individuos de salir del óptimo local. A través del análisis comparativo de funciones de referencia que buscan optimización y la comparación de resultados de pruebas estadísticas de suma de rangos de Wilcoxon, se puede ver que el algoritmo de optimización IMSChoA tiene una mayor robustez y aplicabilidad. Además, el algoritmo de optimización IMSChoA se aplica a dos ejemplos de ingeniería para verificar la superioridad del algoritmo de optimización IMSChoA en el tratamiento de problemas de diseño de optimización de estructuras mecánicas.