Debido a que las redes del Internet de las Cosas (IoT) están ampliamente desplegadas, se han convertido en objetivos atractivos para ataques de botnets y de denegación de servicio distribuido (DDoS), lo que requiere una detección de intrusiones efectiva. Las redes neuronales convolucionales (CNN) pueden lograr un fuerte rendimiento en la detección, pero sus muchos hiperparámetros suelen ajustarse manualmente, lo que es costoso y consume mucho tiempo. Este artículo propone un nuevo optimizador metaheurístico híbrido, FW-CNN, que combina la Optimización de Lobos Grises y la Optimización de Zorros Rojos para ajustar automáticamente los hiperparámetros clave de una CNN unidimensional para la detección de intrusiones en IoT. El componente de Zorro Rojo mejora la exploración y ayuda a la búsqueda a escapar de óptimos locales, mientras que el componente de Lobo Gris refuerza la explotación y guía la convergencia hacia soluciones de alta calidad. El modelo propuesto se evalúa utilizando el conjunto de datos N-BaIoT y se compara con una red neuronal de avance y un modelo optimizado por metaheurística basado en el Algoritmo de Optimización de Enjambre de Partículas Adaptativo-Optimización de Ballenas-CNN. Logra una precisión final del 95.56%, mejorando la red de avance en 12.56 puntos porcentuales y superando el modelo basado en el Algoritmo de Optimización de Enjambre de Partículas Adaptativo-Optimización de Ballenas-CNN en 1.02 puntos porcentuales. También produce una mayor precisión promedio, coeficiente Kappa y similitud de Jaccard, y reduce significativamente la pérdida de Hamming. Estos resultados indican que el optimizador híbrido propuesto es estable y efectivo para la detección de intrusiones en IoT de múltiples clases en entornos reales.