El Algoritmo de Optimización del Escarabajo de Estiércol (DBO) se caracteriza por su gran precisión de convergencia y rápida velocidad de convergencia. Sin embargo, al igual que otros algoritmos de optimización de inteligencia de enjambre, también tiene las desventajas de tener una capacidad desequilibrada para explorar el mundo y utilizar recursos locales, así como ser propenso a establecerse en una búsqueda óptima local en las últimas etapas de optimización. Para abordar estos problemas, esta investigación sugiere un método de optimización de escarabajo de estiércol de fusión de múltiples estrategias (MSFDBO). Para mejorar la calidad de la primera solución, la técnica de aprendizaje inverso refractivo expande el espacio de búsqueda del algoritmo en la primera etapa. La precisión del algoritmo se incrementa agregando una curva adaptativa para controlar el tamaño de la población de escarabajos de estiércol y evitar que alcance un óptimo local. Con el fin de mejorar y equilibrar la explotación local y la exploración global, respectivamente, se añadió más tarde una estrategia de deambulación triangular y un optimizador de promedio sustractivo de fusión a Escarabajo de Estiércol Rodante y Escarabajo de Reproducción. Los escarabajos individuales se reunirán en la posición óptima actual, que está cerca del valor óptimo, durante la última etapa de optimización del MSFDBO; sin embargo, el valor óptimo actual no podría ser el valor óptimo global. Por lo tanto, para perturbar variacionalmente la solución óptima global (para que salte fuera de la solución óptima local en la etapa final de optimización del MSFDBO) y mejorar el rendimiento algorítmico (en general y específicamente, en el efecto de optimizar la búsqueda), se introduce un factor de perturbación variacional híbrido adaptativo Gaussiano-Cauchy. Utilizando la función de referencia CEC2017, el rendimiento del MSFDBO se verifica comparándolo con siete algoritmos de optimización de inteligencia diferentes. El MSFDBO ocupa el primer lugar en términos de rendimiento promedio. El MSFDBO puede reducir los gastos laborales y de producción asociados con el diseño de vigas de soldadura y reductores después de probar dos desafíos de aplicación de ingeniería. En lo que respecta a reducir los costos de fabricación y el peso total, el MSFDBO supera a otros métodos de optimización de inteligencia de enjambre.