Este estudio presenta una técnica de optimización híbrida para optimizar las ranuras del estator y del rotor del diseño de motores de inducción (IM) para aplicaciones de vehículos eléctricos (EV). Las técnicas de optimización metaheurísticas existentes para el diseño de IM, como el algoritmo genético (GA) y la optimización por enjambre de partículas (PSO), sufren de convergencia prematura, desequilibrio en la exploración y explotación, y carga computacional. Por lo tanto, este estudio propone una nueva técnica de optimización híbrida llamada optimización de búsqueda de medusas basada en oposición (OBJSO). Esta técnica adopta el aprendizaje basado en oposición (OBL) en una optimización de búsqueda de medusas (JSO). Además, se deriva una formulación multiobjetivo para maximizar los principales indicadores de rendimiento de los EV, incluyendo eficiencia, par de ruptura y factor de potencia. La OBJSO propuesta se utiliza para resolver el diseño óptimo de las ranuras del estator y del rotor basado en la formulación multiobjetivo. El rendimiento se compara con técnicas de optimización convencionales, como GA, PSO y JSO. OBJSO supera a otras tres técnicas de optimización en términos de aptitud promedio en un 2.2% (GA), 1.3% (PSO) y 0.17% (JSO). Además, la tasa de convergencia de OBJSO se mejora enormemente, donde se puede lograr una reducción de hasta el 13.6% en promedio en comparación con JSO. En conclusión, la técnica propuesta puede ser utilizada para ayudar a los ingenieros de la industria automotriz a diseñar un IM de alto rendimiento para EV como una alternativa al motor existente.