Al abordar los desafíos asociados con la baja precisión de convergencia y los resultados de optimización inestables en el algoritmo de optimización original de gacela (GOA), este documento propone un enfoque novedoso que incorpora un mapeo de caos denominado optimización de enjambre de partículas de múltiples estrategias con algoritmo de optimización de gacela (MPSOGOA). En la etapa de inicialización de la población, se integra un mapeo segmentado para generar una población de alta calidad distribuida uniformemente que mejora la diversidad, y se agrega una perturbación global de la población para mejorar la velocidad de convergencia en la iteración temprana y la precisión de convergencia en la iteración tardía. Al combinar la optimización de enjambre de partículas (PSO) y GOA, el algoritmo aprovecha las experiencias individuales de las gacelas, lo que mejora la precisión de convergencia y la estabilidad. Probado en 35 funciones de referencia, MPSOGOA demuestra un rendimiento superior en precisión de convergencia y estabilidad a través de pruebas de Friedman y pruebas de rango con signo de Wilcoxon, superando a otros algoritmos metaheurísticos. Aplicado a problemas de optimización de ingeniería, incluidas implementaciones restringidas, MPSOGOA muestra un excelente rendimiento de optimización.