La crisis energética global y la búsqueda de neutralidad de carbono han introducido desafíos significativos para la óptima operación de los sistemas de energía. A pesar de los avances en las técnicas de optimización, los métodos existentes a menudo luchan por manejar eficientemente las incertidumbres introducidas por las fuentes de energía renovable y el comportamiento dinámico de los vehículos eléctricos enchufables (PEVs). Este estudio presenta un enfoque de optimización colaborativa de múltiples energías basado en un algoritmo de enjambre de optimización de aprendizaje basado en niveles opuestos dinámicos (DO3LSO). La metodología explora el impacto de la integración de PEVs y fuentes de energía renovable, incluyendo energía fotovoltaica y eólica, en problemas de compromiso de unidades (UC). Al incorporar las capacidades de carga y descarga bidireccionales de los PEVs y abordar la volatilidad de la energía renovable, el método propuesto demuestra la capacidad de reducir la dependencia de la generación de energía tradicional a partir de combustibles fósiles, disminuir las emisiones de carbono, estabilizar la producción de energía y lograr una reducción del 7,01% en los costos. El análisis comparativo con otros algoritmos de optimización destaca la efectividad de DO3LSO en lograr una convergencia rápida y una optimización precisa a través de estrategias de aprendizaje jerárquico y opuesto dinámico, mostrando una adaptabilidad superior en escenarios de carga complejos. Los hallazgos subrayan la importancia de la optimización colaborativa de múltiples energías como una solución fundamental para abordar la crisis energética, facilitar transiciones bajas en carbono y proporcionar un apoyo esencial para el desarrollo de sistemas de energía inteligentes y sostenibles.