El optimizador de forrajeo de raya manta (MRFO) es un novedoso algoritmo de optimización inspirado en la naturaleza que simula la estrategia de forrajeo y el comportamiento de grupos de rayas mantas, es decir, forrajeo en cadena, espiral y voltereta. Aunque el MRFO nativo ha demostrado una buena capacidad competitiva con algoritmos metaheurísticos populares, aún cae en óptimos locales y ralentiza la tasa de convergencia al enfrentarse a algunos problemas complejos. Con el fin de mejorar estas deficiencias del MRFO, se desarrolla en este documento un nuevo MRFO caótico de élite, denominado algoritmo CMRFO, integrado con una inicialización caótica de población y una estrategia de aprendizaje basada en oposición. Se utilizan catorce tipos de mapas caóticos con diferentes propiedades para inicializar la población. Así, se selecciona el mapa caótico con el mejor efecto; al mismo tiempo, se discute el análisis de sensibilidad de una proporción de selección de élite en una estrategia de búsqueda caótica de élite para el CMRFO. Estas estrategias colaboran para mejorar el MRFO en acelerar el rendimiento general. Además, la superioridad del CMRFO presentado se demuestra de manera integral al compararlo con un MRFO nativo, un MRFO modificado y varios algoritmos de vanguardia utilizando (1) 23 funciones de prueba de referencia, (2) el conocido conjunto de pruebas IEEE CEC 2020 y (3) tres problemas de optimización en el campo de la ingeniería, respectivamente. Además, la practicidad del CMRFO se ilustra al resolver una aplicación del mundo real de optimización de forma de curvas de Bola Generalizada Cúbica (CG-Ball). Al minimizar la variación de curvatura en estas curvas, se establece el modelo de optimización de forma de curvas CG-Ball. Luego, se aplica el algoritmo CMRFO para manejar el modelo establecido en comparación con algunos algoritmos metaheurísticos avanzados. Los resultados experimentales demuestran que el CMRFO es una alternativa poderosa y atractiva para resolver problemas de optimización de ingeniería.