La optimización es un campo amplio para que los investigadores desarrollen nuevos algoritmos para resolver diversos tipos de problemas. Hay varias técnicas populares en las que se está trabajando para mejorar. La optimización del lobo gris (GWO) es un algoritmo eficiente, simple de usar y fácil de implementar. Sin embargo, GWO tiene varias desventajas ya que se queda atrapado en óptimos locales, tiene una baja tasa de convergencia y una exploración pobre. Se han realizado varios intentos recientemente para superar estas desventajas. Este artículo propone un algoritmo novedoso para mejorar la tasa de convergencia, que era pobre en GWO, y también se compara con otros algoritmos de optimización. GWO también tiene la limitación de quedarse atrapado en óptimos locales cuando se utiliza en funciones complejas o en un espacio de búsqueda grande, por lo que estos problemas se abordan aún más. El factor más notable es que GWO depende puramente de las restricciones de inicialización, como el tamaño de la población y las posiciones iniciales de los lobos. Este estudio demuestra la posición mejorada del lobo aplicando estrategias con el mismo tamaño de población. Como resultado, este algoritmo novedoso ha mejorado su capacidad de exploración en comparación con otros algoritmos presentados, y también se presentan resultados estadísticos para demostrar su superioridad.