Este documento propone un algoritmo de optimización de buitres africanos mejorado (IROAVOA), que integra la estrategia de aprendizaje basada en oposición aleatoria y el factor de perturbación para resolver problemas como la capacidad de búsqueda global relativamente débil y la escasa capacidad para equilibrar las etapas de exploración y explotación. IROAVOA se divide en dos partes. En primer lugar, se introduce la estrategia de aprendizaje basada en oposición aleatoria en la etapa de inicialización de la población para mejorar la diversidad de la población, lo que permite al algoritmo explorar de manera más completa el espacio de soluciones potenciales y mejorar la velocidad de convergencia del algoritmo. En segundo lugar, se introduce el factor de perturbación en la etapa de exploración para aumentar la aleatoriedad del algoritmo, evitando efectivamente caer en la solución óptima local y permitiendo un mejor equilibrio de las etapas de exploración y explotación. Para verificar la efectividad del algoritmo propuesto, se realizaron pruebas exhaustivas utilizando 23 funciones de prueba de referencia, el conjunto de pruebas CEC2019 y dos problemas de optimización de ingeniería. El algoritmo se comparó con siete algoritmos metaheurísticos de vanguardia en experimentos de prueba de referencia y con cinco algoritmos en experimentos de optimización de ingeniería. Los resultados experimentales indican que IROAVOA logró mejores valores medios y óptimos en todas las funciones de prueba y una mejora significativa en la velocidad de convergencia. También puede resolver problemas de optimización de ingeniería mejor que los otros cinco algoritmos.