Los algoritmos metaheurísticos han ganado popularidad en la última década debido a su notable capacidad para abordar diversos desafíos de optimización. Entre estos, el algoritmo JAYA ha surgido como un competidor reciente que demuestra un alto rendimiento en diferentes problemas de optimización, atribuido en gran medida a su simplicidad. Sin embargo, los problemas del mundo real se han vuelto cada vez más complejos en la era actual, creando una demanda de soluciones más robustas y efectivas para abordar estos desafíos intrincados y lograr resultados sobresalientes. Este artículo propone un método mejorado de JAYA (EJAYA) que aborda sus deficiencias inherentes, lo que resulta en una mejor convergencia y capacidades de búsqueda al tratar con diversos problemas. El estudio actual evalúa el rendimiento de los métodos de optimización propuestos tanto en problemas continuos como discontinuos. Inicialmente, EJAYA se aplica para resolver 20 funciones de prueba prominentes y se valida mediante la comparación con otros algoritmos contemporáneos en la literatura, incluida la optimización de llama de polilla, la optimización de enjambre de partículas, el algoritmo de libélula y el algoritmo seno-coseno. La efectividad del enfoque propuesto en escenarios discretos se prueba utilizando la selección de características y se compara con estrategias de optimización existentes. Las evaluaciones en diversos escenarios demuestran que las mejoras propuestas mejoran significativamente el rendimiento del algoritmo JAYA, facilitando la salida de mínimos locales, logrando una convergencia más rápida y ampliando las capacidades de búsqueda.