Desarrollar un modelo matemático se ha convertido en una necesidad inevitable en estudios de todas las disciplinas. Con los avances en tecnología, surge la necesidad de desarrollar modelos matemáticos complejos. La identificación del sistema es una forma popular de construir modelos matemáticos de procesos altamente complejos cuando un modelo analítico no es factible. Una de las muchas arquitecturas de modelos de identificación de sistema es utilizar una Red de Modelos Locales (LMN). El Algoritmo de Entrenamiento Jerárquico de Árbol de Modelo Local (HILOMOT) es un algoritmo iterativo de entrenamiento de LMN que utiliza el método de división oblicua del eje para dividir el espacio de entrada jerárquicamente. Las posiciones de división de los modelos locales influyen directamente en la precisión de todo el modelo. Sin embargo, encontrar las mejores posiciones de división de los modelos locales presenta un problema de optimización no lineal. Este artículo presenta un algoritmo HILOMOT optimizado con algoritmos mejorados de Expectativa-Maximización (EM) y Optimización por Enjambre de Partículas (PSO) que incluye el parámetro de normalización y utiliza el vector de parámetros reducidos. Finalmente, se compara el rendimiento del algoritmo HILOMOT mejorado con el algoritmo existente modelando el modelo de emisión de una turbina de gas y múltiples funciones de prueba no lineales de diferentes órdenes y estructuras.