El algoritmo de optimización de Kepler (KOA) es un algoritmo metaheurístico basado en las leyes de movimiento planetario de Kepler y ha demostrado un rendimiento sobresaliente en múltiples conjuntos de pruebas y para diversas cuestiones de optimización. Sin embargo, el KOA se ve obstaculizado por las limitaciones de una precisión de convergencia insuficiente, una débil capacidad de búsqueda global y una velocidad de convergencia lenta. Para abordar estas deficiencias, este artículo presenta un algoritmo de optimización de Kepler de fusión de múltiples estrategias (MKOA). En primer lugar, el algoritmo inicializa la población utilizando Good Point Set, mejorando la diversidad de la población. En segundo lugar, se aplica el Aprendizaje Basado en Oposición Dinámica a los individuos de la población para mejorar aún más su efectividad en la exploración global. Además, introducimos el Modelo de Nube Normal para perturbar la mejor solución, mejorando su tasa de convergencia y precisión. Finalmente, se introduce una nueva estrategia de actualización de posición para equilibrar la búsqueda local y global, ayudando al KOA a escapar de los óptimos locales. Para probar el rendimiento del MKOA, utilizamos los conjuntos de pruebas CEC2017 y CEC2019. Los datos indican que el MKOA tiene más ventajas que otros algoritmos en términos de practicidad y efectividad. Con el objetivo de abordar el problema de ingeniería, este estudio seleccionó tres casos de ingeniería clásicos. Los resultados revelan que el MKOA demuestra una fuerte aplicabilidad en la práctica de la ingeniería.