Los ciberataques y el uso no autorizado de aplicaciones han aumentado debido al uso extensivo de servicios de Internet y aplicaciones a través de redes informáticas, representando una amenaza para la disponibilidad del servicio y la privacidad de los consumidores. Un Sistema de Detección de Intrusos en Red (IDS, por sus siglas en inglés) tiene como objetivo detectar comportamientos anómalos en el tráfico que los firewalls no pueden detectar. En los IDS, la reducción de dimensiones utilizando la estrategia de selección de características ha demostrado ser más eficiente. Al reducir la dimensión de los datos y eliminar datos irrelevantes y ruidosos, se han empleado varios algoritmos bioinspirados para mejorar el rendimiento de un IDS. Este documento discute un algoritmo bioinspirado modificado, que es el algoritmo de Optimización de Lobos Grises (GWO, por sus siglas en inglés), que mejora la eficacia del IDS en la detección de tráfico normal y anómalo en la red. Las principales mejoras abarcan la fase de inicialización inteligente que combina los enfoques de filtro y envoltura para garantizar que las características informativas se incluyan en las primeras iteraciones. Además, adoptamos un método de clasificación de alta velocidad, la Máquina de Aprendizaje Extremo (ELM, por sus siglas en inglés), y utilizamos el GWO modificado para ajustar los parámetros de ELM. La técnica propuesta se probó con varios algoritmos metaheurísticos utilizando el conjunto de datos UNSWNB-15. Dado que el ataque genérico es el tipo de ataque más común en el conjunto de datos, el objetivo principal de este documento era detectar ataques genéricos en el tráfico de la red. El modelo propuesto superó a otros métodos al minimizar la tasa de error de cruce y la tasa de falsos positivos a menos del 30%. Además, obtuvo los mejores resultados con un 81%, 78% y 84% para las medidas de precisión, puntuación F1 y G-media, respectivamente.