En la actualidad, el sistema eléctrico se ha vuelto una red más compleja e interconectada que se expande cada día. Por lo tanto, el sistema eléctrico enfrenta muchos problemas como el aumento de pérdidas de energía, desviación de voltaje, sobrecargas de líneas, etc. La optimización de la potencia real y reactiva debido a la instalación de recursos energéticos en buses apropiados puede minimizar las pérdidas y mejorar el perfil de voltaje, especialmente para redes congestionadas. Como resultado, el problema de asignación óptima de generación distribuida (ODGA, por sus siglas en inglés) se considera una herramienta más adecuada para los procesos de planificación y operación de sistemas eléctricos debido a que la red eléctrica cambia rápidamente en función del tipo y nivel de penetración de fuentes de energía renovable (RESs). Este documento modifica el AO utilizando un operador de aprendizaje basado en oposición cuasi para abordar este problema y reducir la carga en la red principal, haciendo que la red sea más resistente. Para demostrar la efectividad del MAO, los autores primero prueban el rendimiento del algoritmo en veintitrés competencias en funciones de benchmark de computación evolutiva, considerando diferentes dimensiones. Además, el optimizador Aquila modificado (MAO) se aplica para abordar el problema de asignación óptima de generación distribuida (ODGA). La metodología ODGA propuesta en este documento tiene una función multiobjetivo que comprende la disminución de pérdidas de potencia y desviación total de voltaje en un sistema de distribución teniendo en cuenta las restricciones de operación y seguridad del sistema. Muchas publicaciones han investigado el efecto de expandir el número de DGs, mientras que otros descubrieron la influencia de los tipos de DG. Aquí, este documento examina los efectos de diferentes tipos y capacidades de unidades DG al mismo tiempo. El enfoque propuesto se prueba en el IEEE 33-bus en diferentes casos con varios tipos de DG múltiples, incluyendo multiobjetivos. Los resultados de simulación obtenidos se comparan con el optimizador Aquila, el algoritmo de optimización de enjambre de partículas y el algoritmo inspirado en comerciantes. Según la comparación, el enfoque sugerido proporciona una solución superior para el problema de ODGA con una convergencia más rápida en las redes de distribución.