Recientemente, se desarrolló un nuevo optimizador, llamado Optimizador Aquila (AO), para resolver diferentes problemas de optimización. Aunque el AO tiene un rendimiento significativo en varios problemas, como otros algoritmos de optimización, el AO sufre ciertas limitaciones en su mecanismo de búsqueda, como la estancación de los óptimos locales y la velocidad de convergencia. Este es un problema general que enfrentan casi todos los problemas de optimización, que se puede resolver mejorando el proceso de búsqueda de un optimizador utilizando una herramienta de búsqueda asistente, como hibridando con otro optimizador o aplicando otras técnicas de búsqueda para potenciar la capacidad de búsqueda de un optimizador. Siguiendo este concepto para abordar este problema crítico, en este documento presentamos una versión alternativa del AO para aliviar las deficiencias del tradicional. La idea principal del AO mejorado (IAO) es utilizar la estrategia de búsqueda del Algoritmo de Optimización de Ballenas (WOA) para potenciar el proceso de búsqueda del AO. Así, el IAO se beneficia de las ventajas del AO y WOA, y evita las limitaciones de la búsqueda local, así como la pérdida de diversidad de soluciones a lo largo del proceso de búsqueda. Además, aplicamos el algoritmo de optimización IAO desarrollado como técnica de selección de características utilizando diferentes funciones de referencia. Además, se prueba con comparaciones experimentales exhaustivas con el AO tradicional y los algoritmos WOA, así como varios optimizadores conocidos utilizados como técnicas de selección de características, como la optimización por enjambre de partículas (PSO), la evaluación diferencial (DE), el optimizador de llama de boca (MFO), el algoritmo de luciérnagas y el algoritmo genético (GA). Los resultados confirmaron que el uso de los operadores WOA tiene un impacto significativo en el rendimiento del AO. Por lo tanto, el IAO combinado obtuvo mejores resultados en comparación con otros optimizadores.