El algoritmo heurístico representado por la optimización por enjambre de partículas (PSO) es una herramienta efectiva para abordar la grave no linealidad en las inversiones magnetotelúricas (MT) unidimensionales. PSO tiene las desventajas de una diversidad de población insuficiente y una falta de coordinación entre la cognición individual y la cognición social en el proceso de optimización. Basados en PSO, proponemos una nueva estrategia memética, que primero mejora selectivamente la diversidad de la población en iteraciones evolutivas a través de mecanismos de aprendizaje inverso y mutación génica. Luego, se diseñan pesos de inercia dinámicos y coeficientes de atracción cognitiva a través de un mapeo seno-coseno para equilibrar la cognición individual y social en el proceso de optimización e integrar la experiencia previa en el proceso evolutivo. Esto mejora la convergencia y la capacidad de escapar de los extremos locales en el proceso de optimización. La estrategia memética pasa la prueba de resistencia al ruido y una prueba de datos MT reales. Los resultados muestran que la estrategia memética aumenta la velocidad de convergencia en el proceso de optimización de PSO, y la precisión de la inversión también se mejora considerablemente.