En los últimos años, los problemas de optimización han recibido una amplia atención por parte de los investigadores, y se han propuesto y aplicado algoritmos metaheurísticos para resolver problemas de optimización complejos. El optimizador de caballos salvajes (WHO) es un nuevo algoritmo metaheurístico basado en el comportamiento social de los caballos salvajes. En comparación con los algoritmos metaheurísticos populares, tiene un rendimiento excelente en la resolución de problemas de ingeniería. Sin embargo, aún sufre del problema de una precisión de convergencia insuficiente y una baja capacidad de exploración. Este artículo presenta un optimizador de caballos salvajes mejorado (I-WHO) con mecanismos de advertencia temprana y competencia para mejorar el rendimiento del algoritmo, que incorpora tres estrategias. Primero, se introduce el operador aleatorio para mejorar los parámetros adaptativos y la precisión de búsqueda del algoritmo. En segundo lugar, se propone una estrategia de advertencia temprana para mejorar la fórmula de actualización de posición y aumentar la diversidad de la población durante el pastoreo. En tercer lugar, se añade un mecanismo de selección por competencia, y se actualiza la fórmula de posición del agente de búsqueda para mejorar la precisión de búsqueda de la búsqueda multimodal en la etapa de explotación del algoritmo. En este artículo, se prueban 25 funciones de referencia (Dim = 30, 60, 90 y 500), y se analiza la complejidad del algoritmo I-WHO. Mientras tanto, se compara con seis algoritmos metaheurísticos populares, y se verifica mediante la prueba de rango con signo de Wilcoxon y cuatro problemas de ingeniería del mundo real. Los resultados experimentales muestran que I-WHO ha mejorado significativamente la precisión de búsqueda, mostrando una superioridad y estabilidad preferibles.