Los algoritmos de optimización metaheurística juegan un papel crucial en problemas de optimización. Sin embargo, los métodos tradicionales de identificación tienen los siguientes problemas: (1) dificultades en el procesamiento de datos no lineales; (2) altas tasas de error causadas por la estancamiento local; y (3) bajos índices de clasificación resultantes de la convergencia prematura. Este artículo propuso una variante basada en el algoritmo de optimización del lobo gris (GWO) con perturbación caótica, migración de candidatos y mecanismos de ataque, nombrándola el optimizador mejorado del lobo gris (EGWO), para resolver el problema de la convergencia prematura y el estancamiento local. La eficacia del EGWO se probó en funciones de prueba IEEE CEC 2014, y los resultados del EGWO se compararon con el rendimiento de tres variantes de GWO, cinco algoritmos tradicionales y populares, y seis algoritmos recientes. Además, el EGWO optimizó los pesos y sesgos de un perceptrón multicapa (MLP) y propuso un modelo de identificación de enfermedades EGWO-MLP; el modelo se probó en funciones de prueba IEEE CEC 2014, y EGWO-MLP fue verificado por el conjunto de datos de UCI que incluye conjuntos de datos de Tic-Tac-Toe, Heart, XOR y Balloon. Los resultados experimentales demuestran que el modelo propuesto EGWO-MLP puede evitar de manera efectiva problemas de optimización local y convergencia prematura y proporcionar una solución cuasi óptima para el problema de optimización.