Los vehículos aéreos no tripulados (VANT) son cada vez más favorecidos para operaciones de búsqueda y rescate de emergencia debido a su alta adaptabilidad a entornos difíciles y bajos costos operativos. Sin embargo, la naturaleza dinámica de los puntos finales de búsqueda, influenciada por el movimiento del objetivo, limita la aplicabilidad de los modelos de camino más corto entre puntos fijos en problemas de búsqueda de objetivos en movimiento. En consecuencia, el problema de búsqueda de objetivos en movimiento utilizando VANT en entornos complejos presenta considerables desafíos, constituyendo un problema NP-duro. El Optimizador de Lobo Gris (OLG) es conocido por abordar tales problemas. Sin embargo, sufre de limitaciones, incluyendo convergencia prematura e inestabilidad. Para resolver estas limitaciones, se desarrolla en este trabajo un Optimizador de Lobo Gris con población y estrategia variables (OLG-PVE). El OLG-PVE implementa un esquema de codificación variable para los patrones de movimiento de los VANT, combinando codificación basada en el movimiento con codificación basada en el camino. El algoritmo alterna iterativamente entre fases de optimización global y suavizado local. La fase de optimización global incorpora: (1) una selección de estrategia basada en Q-learning; (2) actualizaciones de posición con evitación de obstáculos y reducción del consumo de energía; y (3) un factor de exploración adaptativo. La fase de suavizado local emplea cuatro operadores de suavizado de caminos y selección de estrategia basada en Q-learning. Los resultados experimentales demuestran que el OLG-PVE supera tanto a las variantes mejoradas del OLG como a los algoritmos estándar, confirmando la efectividad del algoritmo en simulaciones de búsqueda de objetivos en movimiento basadas en VANT.