Este artículo presenta una forma metaheurística inteligente modificada del Optimizador de Mangosta Enana (MDMO) para la modelización óptima y extracción de parámetros de sistemas fotovoltaicos solares (SPV). La forma de búsqueda de alimento de los animales de mangosta enana (DMAs) motivó el diseño principal del DMO. Hace uso de distintos grupos sociales de DMA, incluyendo la categoría alfa, exploradores y niñeras. La hembra alfa inicia la búsqueda de alimento y elige el camino de búsqueda, los lugares de descanso y la distancia recorrida por el grupo. El MDMO recién presentado tiene una estrategia adicional dirigida por alfa para aumentar la experiencia de búsqueda, y su enfoque de modificación ha sido liderado en cierta medida por la alfa modificada. Para dos módulos SPV diversos, Kyocera KC200GT y R.T.C. France SPV, el MDMO propuesto se utiliza en lugar del DMO para estimar eficientemente las características SPV. Al emplear la técnica MDMO, los resultados de la simulación mejoran las características eléctricas de los sistemas SPV. La minimización del valor del error cuadrático medio () se ha utilizado para comparar la eficiencia del algoritmo propuesto y otros métodos informados. Basándose en eso, el MDMO propuesto supera al DMO estándar. En términos de eficiencia promedio, el MDMO supera al enfoque DMO estándar para el módulo KC200GT en un 91.7%, 84.63% y 75.7% para las versiones de una, dos y tres diodos, respectivamente. La técnica MDMO empleada para el sistema SPV de R.T.C. France tiene tasas de éxito del 100%, 96.67% y 66.67%, mientras que las tasas de éxito del DMO son del 6.67%, 10% y 0% para los modelos de un diodo, dos diodos y tres diodos, respectivamente.