En las circunstancias actuales, la Composición de Servicios Web (WSC) fue introducida para abordar las complejas necesidades de los usuarios con respecto a la Calidad de Servicio (QoS). En el problema de WSC, las necesidades de los usuarios se dividen en un conjunto de tareas. Los servicios web correspondientes se recuperan del descubrimiento de servicios web de acuerdo con la funcionalidad de cada tarea, y tienen diferentes restricciones no funcionales, como QoS. El problema de WSC es un problema de optimización multiobjetivo y se clasifica como un problema NP-duro. El algoritmo de optimización de ballenas (WOA) ha demostrado resolver problemas complejos de optimización multiobjetivo, y tiene la ventaja de una implementación sencilla con pocos parámetros de control. En este trabajo, contribuimos a mejorar el algoritmo de WOA, donde se introducen diferentes estrategias para mejorar su rendimiento y abordar sus deficiencias, a saber, su lenta velocidad de convergencia, que produce una baja precisión de la solución para el problema de WSC. El algoritmo propuesto se llama Algoritmo de Optimización de Ballenas Mejorado (IWOA) y tiene tres estrategias diferentes para mejorar el rendimiento del WOA. En primer lugar, se propone la teoría del caos seno para iniciar la población de WOA y mejorar la diversidad de la inicialización. En segundo lugar, se propone un mecanismo de vuelo de Lévy para mejorar la explotación y exploración de WOA al mantener la diversidad de las ballenas. Además, se introduce un mecanismo de búsqueda de vecindario para abordar el equilibrio entre los mecanismos de búsqueda de exploración y explotación. Se realizan diferentes experimentos con conjuntos de datos en 12 escalas diferentes (pequeña, mediana y grande), y se compara el algoritmo propuesto con el WOA estándar y cinco algoritmos basados en enjambres de última generación en 30 ejecuciones independientes diferentes. Además, se utilizan cuatro criterios de evaluación para validar la comparación: el valor de aptitud promedio, los mejores valores de aptitud, la desviación estándar y el tiempo de ejecución promedio. Los resultados muestran que el IWOA mejoró el rendimiento del algoritmo de WOA, donde obtuvo los mejores valores de aptitud promedio y mejor con una baja variación en todos los conjuntos de datos. Sin embargo, se clasificó en segundo lugar en cuanto al tiempo de ejecución promedio después del WOA, y a veces en tercer lugar después del WOA y OABC, lo cual es razonable debido a las estrategias propuestas.