El algoritmo de búsqueda de polillas (MS) es un algoritmo de optimización metaheurística relativamente nuevo que imita la fototaxis y los vuelos de Lévy de las polillas. Dado que es un problema NP-duro, el problema de la mochila multidimensional 0-1 (MKP) es un problema de optimización combinatoria clásico y complicado con múltiples restricciones y numerosas aplicaciones. En este documento, presentamos un MS de aprendizaje híbrido (HLMS) incorporando dos mecanismos de aprendizaje, búsqueda de armonía del mejor global (GHS) y aprendizaje baldwiniano para resolver MKP. (1) El aprendizaje GHS guía a los individuos de las polillas a buscar un espacio más valioso y el aprendizaje dimensional potencial utiliza la diferencia entre dos dimensiones aleatorias para generar un salto grande. (2) El aprendizaje baldwiniano guía a los individuos de las polillas a cambiar el espacio de búsqueda aprovechando al máximo la información beneficiosa de otros individuos. Por lo tanto, el aprendizaje GHS proporciona principalmente exploración global y el aprendizaje baldwiniano funciona para la explotación local. Demostramos la competitividad y efectividad del HLMS propuesto mediante la realización de experimentos extensos en 87 instancias de referencia. Los resultados experimentales muestran que el HLMS propuesto tiene un rendimiento mejor o al menos competitivo en comparación con el MS original y algunos otros algoritmos metaheurísticos de última generación. Además, se analiza la sensibilidad de los parámetros del aprendizaje baldwiniano y se investigan dos componentes importantes del HLMS para comprender sus impactos en el rendimiento del algoritmo propuesto.