Inspirado en el comportamiento de los elefantes en la naturaleza, la optimización de manadas de elefantes (EHO) fue propuesta recientemente para la optimización global. Al igual que la mayoría de los otros algoritmos metaheurísticos, EHO no utiliza a los individuos previos en el proceso de actualización posterior. Si la información útil en los individuos previos fuera totalmente explotada y utilizada en el proceso de optimización posterior, la calidad de las soluciones podría mejorar significativamente. En este documento, proponemos varias estrategias de actualización nuevas para EHO, en las cuales se selecciona uno, dos o tres individuos de las iteraciones previas, y su información útil se incorpora en el proceso de actualización. En consecuencia, el individuo final en esta iteración se genera de acuerdo con el elefante generado por el EHO básico, y los elefantes previos seleccionados a través de una suma ponderada. Los pesos son determinados por un número aleatorio y la aptitud de los individuos elefantes en la iteración previa. Incorporamos cada una de las seis estrategias de actualización individualmente en el EHO básico, creando seis variantes mejoradas de EHO. Probamos estos métodos propuestos utilizando dieciséis funciones de prueba. Nuestros resultados experimentales demostraron que los métodos mejorados propuestos superaron significativamente al EHO básico.