El algoritmo de búsqueda de medusas (JS) imita el comportamiento de forrajeo de las medusas en el océano. Es un algoritmo metaheurístico recién desarrollado que resuelve problemas de optimización complejos del mundo real. La capacidad de exploración global y la robustez del algoritmo JS son fuertes, pero el algoritmo JS aún tiene un espacio significativo de desarrollo para resolver problemas de optimización complejos con altas dimensiones y múltiples óptimos locales. Por lo tanto, en este estudio, se desarrolla un algoritmo de búsqueda de medusas mejorado (EJS), y se realizan tres mejoras: (i) Al agregar una estrategia de factores de aprendizaje seno y coseno, la medusa puede aprender tanto de individuos aleatorios como del mejor individuo durante el movimiento de Tipo B en el enjambre para mejorar la capacidad de optimización y acelerar la velocidad de convergencia. (ii) Al agregar un operador de escape local, el algoritmo puede evitar la trampa de la optimización local, y así, puede mejorar la capacidad de explotación del algoritmo JS. (iii) Al aplicar una estrategia de aprendizaje basado en oposición y aprendizaje cuasi-oposición, se aumenta, fortalece y diversifica la distribución de la población, y se seleccionan mejores individuos de la solución presente y de la nueva solución de oposición para participar en la siguiente iteración, lo que puede mejorar la calidad de la solución, al mismo tiempo, la velocidad de convergencia es más rápida y se aumenta la precisión del algoritmo. Además, se comparó el rendimiento del algoritmo EJS desarrollado con el de los algoritmos mejorados incompletos, y se evaluaron algunos métodos previamente destacados y avanzados en el conjunto de pruebas CEC2019, así como en seis ejemplos de casos de ingeniería real. Los resultados demuestran que el algoritmo EJS puede evitar la trampa de la optimización local, mejorar la calidad de la solución y aumentar la velocidad de cálculo. Además, las aplicaciones de ingeniería práctica del algoritmo EJS también verifican su superioridad y efectividad en la resolución de problemas de optimización tanto restringidos como no restringidos, y por lo tanto, sugieren posibles aplicaciones futuras para resolver dichos problemas de optimización.