Se necesita un método de optimización eficiente para abordar problemas complicados y encontrar soluciones óptimas. El algoritmo de optimización de gacelas (GOA) es un optimizador estocástico global que es fácil de comprender y tiene potentes capacidades de búsqueda. Sin embargo, el GOA no es adecuado para abordar problemas multimodales, híbridos y de minería de datos. Por lo tanto, el presente documento propone el método de aprendizaje ortogonal (OL) con la estrategia de rotación directa de Rosenbrock para mejorar el GOA y mantener la variedad de soluciones (IGOA). Realizamos experimentos exhaustivos basados en diversas funciones, incluidos 23 problemas clásicos y problemas IEEE CEC2017. Además, se probaron ocho problemas de agrupamiento de datos tomados del repositorio UCI para verificar aún más el rendimiento del método propuesto. El IGOA se comparó con varios otros algoritmos metaheurísticos propuestos. Además, la prueba de rango con signo de Wilcoxon evaluó aún más los resultados experimentales para realizar análisis de datos más sistemáticos. El IGOA superó a otros optimizadores comparativos en cuanto a velocidad de convergencia y precisión. Los resultados empíricos muestran que el IGOA propuesto logró mejores resultados que el GOA básico y otros métodos de vanguardia y tuvo un mejor desempeño en cuanto a calidad de solución.