El Optimizador de Enjambre Competitivo (CSO) ha surgido como una técnica prominente para resolver problemas de optimización intrincados mediante la actualización de solo la mitad de la población en cada iteración. A pesar de su efectividad, el algoritmo CSO a menudo muestra una tasa de convergencia lenta y una tendencia a quedar atrapado en soluciones óptimas locales, como es común entre los algoritmos metaheurísticos. Para hacer frente a estos desafíos, este artículo propone un enfoque híbrido que combina el CSO con el algoritmo Salp Swarm (SSA), CL-SSA, para aumentar la tasa de convergencia y mejorar la exploración del espacio de búsqueda. El enfoque propuesto implica un proceso de dos pasos. En el primer paso, se introduce un mecanismo de competencia por parejas para segregar las soluciones en ganadores y perdedores. La población ganadora se actualiza mediante una explotación fuerte utilizando el algoritmo SSA. En el segundo paso, las soluciones no ganadoras aprenden de los ganadores, logrando un equilibrio entre exploración y explotación. El rendimiento del CL-SSA se evalúa en diversas funciones de referencia, incluida la referencia CEC2017 con dimensiones 50 y 100, la referencia CEC2008lsgo con dimensiones 200, 500 y 1000, así como un conjunto de siete desafíos de diseño restringido bien conocidos en varios dominios de ingeniería definidos en la conferencia CEC2020. El CL-SSA se compara con otros metaheurísticos y algoritmos avanzados, y sus resultados se analizan a través de pruebas estadísticas como las pruebas de rango Friedman y Wilcoxon. El análisis estadístico demuestra que el algoritmo CL-SSA muestra patrones mejorados de explotación, exploración y convergencia en comparación con otros algoritmos, incluidos SSA y CSO, así como algoritmos populares. Además, el enfoque híbrido propuesto tiene un mejor desempeño en la resolución de la mayoría de las funciones de prueba.