El sistema de ecuaciones no lineales (SNLEs) es uno de los problemas prominentes en la ciencia y la ingeniería, y aún está abierto a investigación. Un nuevo algoritmo inteligente híbrido se presenta en esta investigación para resolver SNLEs. Es un compuesto del algoritmo de enjambre de salpas (SSA) y la técnica de búsqueda caótica (CST). La metodología propuesta se llama algoritmo de enjambre de salpas caótico (CSSA). CSSA está diseñado como un proceso de optimización, mediante el cual las soluciones factibles e infactibles se actualizan para acercarse al valor óptimo. El uso de esta metodología inteligente híbrida tiene como objetivo mejorar el rendimiento, aumentar la versatilidad de la solución, evitar la trampa de los óptimos locales, acelerar la convergencia y optimizar el proceso de búsqueda. En primer lugar, los SNLEs se transforman en un problema de optimización. En segundo lugar, se utiliza CSSA para resolver este problema de optimización: SSA se utiliza para actualizar las soluciones factibles, mientras que las soluciones infactibles se actualizan mediante CST. Una de las ventajas más significativas de la técnica sugerida es que no ignora las soluciones infactibles que se actualizan, ya que estas soluciones a menudo están extremadamente cerca de la solución óptima, lo que resulta en una mayor efectividad de búsqueda y una exploración y explotación efectivas. El modelo matemático del algoritmo se presenta en detalle. Finalmente, el enfoque propuesto se evalúa con varios problemas de referencia y aplicaciones del mundo real. Los resultados de la simulación muestran que el CSSA propuesto es competitivo y mejor en comparación con otros, lo que ilustra la efectividad del algoritmo propuesto. Además, un análisis estadístico mediante la prueba de rangos de Wilcoxon entre CSSA y los otros métodos de comparación muestra que todos los valores son menores a 0.05, y CSSA logra valores de suma de rangos negativos (R) mucho mejores que los valores de suma de rangos positivos (R) en todos los problemas de referencia. Además, los resultados tienen una alta precisión y muestran una buena concordancia en comparación con métodos similares, y además demostraron la capacidad de CSSA para resolver aplicaciones del mundo real.