La optimización metaheurística se considera una de las técnicas más eficientes y poderosas de las últimas décadas, ya que puede manejar de manera efectiva problemas complejos de optimización. El rendimiento de la técnica de optimización depende de dos componentes principales: exploración y explotación. Desafortunadamente, el rendimiento está limitado por una debilidad en uno de los componentes. Este estudio tiene como objetivo abordar el problema con la exploración del optimizador de búsqueda de medusas existente (JSO) mediante la introducción de un híbrido de búsqueda de medusas y optimización por enjambre de partículas (HJSPSO). HJSPSO se basa principalmente en una estructura de JSO, pero el operador de movimiento de corriente oceánica siguiente se reemplaza con PSO para beneficiarse de su capacidad de exploración. El proceso de búsqueda alterna entre los operadores de PSO y JSO a través de un mecanismo de control de tiempo. Además, se añaden pesos de inercia no lineales y variables en el tiempo, así como coeficientes cognitivos y sociales a los operadores de PSO y JSO para equilibrar entre exploración y explotación. Se utilizan sesenta funciones de prueba de referencia, incluidas 10 funciones de prueba de referencia a gran escala CEC-C06 2019 con diversas dimensiones, para mostrar el rendimiento de la optimización. Luego, el problema del vendedor viajero (TSP) se utiliza para validar el rendimiento de HJSPSO para un problema de optimización no convexo. Los resultados demuestran que en comparación con las técnicas existentes de JSO y PSO, HJSPSO contribuye en términos de mejoras en exploración y explotación, donde supera a otras técnicas de optimización metaheurística conocidas que incluyen un algoritmo híbrido. En este caso, HJSPSO asegura el primer lugar en funciones de prueba de referencia clásicas y a gran escala al lograr las tasas de acierto más altas del 64% y 30%, respectivamente. Además, HJSPSO demuestra una buena aplicabilidad para resolver un TSP ejemplar después de alcanzar la distancia más corta con la media más baja y la mejor aptitud en 37.87 y 36.12, respectivamente. En general, HJSPSO muestra un rendimiento superior en la resolución de la mayoría de las funciones de prueba de referencia en comparación con otras técnicas de optimización, incluidas JSO y PSO. En conclusión, HJSPSO es una técnica robusta que se puede aplicar para resolver la mayoría de los problemas de optimización con una solución prometedora.