El algoritmo metaheurístico es un área de investigación popular para resolver diversos problemas de optimización. En este estudio, propusimos dos enfoques basados en el Algoritmo Seno Coseno (SCA), a saber, modificación e hibridación. En primer lugar, intentamos resolver las restricciones del SCA original desarrollando una versión modificada del SCA (MSCA) con una capacidad de identificación mejorada de una población aleatoria utilizando la técnica de Muestreo de Hipercubo Latino (LHS). MSCA sirve para guiar al SCA en la obtención de un mejor óptimo local en la fase de explotación con una rápida convergencia basada en un valor óptimo de la solución. En segundo lugar, la hibridación del MSCA (HMSCA) y el Algoritmo de Búsqueda del Cucú (CSA) llevó al desarrollo del Optimizador Híbrido del Algoritmo Seno Coseno Modificado y del Algoritmo de Búsqueda del Cucú (HMSCACSA), que podría buscar mejores ubicaciones óptimas de nidos de anfitriones en el dominio global. Además, el optimizador HMSCACSA fue validado en seis funciones de prueba clásicas, las funciones de referencia IEEE CEC 2017 y IEEE CEC 2014. La efectividad de HMSCACSA también se comparó con otras metaheurísticas híbridas como la Optimización de Enjambre de Partículas-Optimización del Lobo Gris (PSOGWO), Optimización de Enjambre de Partículas-Colonia de Abejas Artificiales (PSOABC) y Optimización de Enjambre de Partículas-Algoritmo de Búsqueda Gravitacional (PSOGSA). En resumen, el HMSCACSA propuesto convergió un 63.89% más rápido y logró una duración de Unidad Central de Procesamiento (CPU) más corta en un máximo de hasta un 43.6% en comparación con otros híbridos.