En un sistema caótico, se desean características deterministas, no lineales, irregulares y sensibles a las condiciones iniciales. Debido a su naturaleza caótica, es difícil cuantificar los parámetros de un sistema caótico. La estimación de parámetros es un problema importante porque depende del análisis de estabilidad de un sistema caótico, y los sistemas de comunicación basados en el caos dificultan dar estimaciones precisas o una rápida tasa de convergencia. Varios algoritmos metaheurísticos inspirados en la naturaleza se han utilizado para estimar los parámetros de sistemas caóticos; sin embargo, muchos no logran equilibrar la exploración y la explotación. El algoritmo de optimización de la mosca de la fruta (FOA) no solo es eficiente para resolver problemas de optimización difíciles, sino que también es más simple y fácil de construir que otros algoritmos basados en poblaciones actualmente disponibles. En este estudio, se sugirió el algoritmo de optimización cuántica de la mosca de la fruta (QFOA) para encontrar los valores óptimos de los parámetros caóticos que ayudarían a que los algoritmos converjan más rápido y eviten el óptimo local. La técnica recomendada utilizó la teoría cuántica de la probabilidad y la incertidumbre para superar la convergencia prematura de FA y la captura del óptimo local. QFOA modifica la técnica de búsqueda básica basada en Newton de FA al incluir un mecanismo de búsqueda basado en el comportamiento cuántico utilizado para señalar la posición del enjambre de moscas de la fruta. El modelo sugerido ha sido evaluado utilizando un sistema de Lorenz bien conocido con un conjunto especificado de valores de parámetros y señales de referencia. Los resultados mostraron una mejora considerable en la precisión de las estimaciones de parámetros y una mejor capacidad de estimación que los enfoques de estimación de parámetros de vanguardia.