Aunque la optimización por enjambre de partículas (PSO) se ha aplicado con éxito para resolver problemas de optimización, su rendimiento en la optimización sigue enfrentando desafíos al tratar con problemas de optimización complicados, especialmente aquellos con muchas variables interactivas y muchas cuencas locales amplias y planas. Para aliviar este problema, este documento propone una optimización por enjambre de partículas de aprendizaje de élite diferencial (DELPSO) diferenciando al máximo posible los dos ejemplos guía para dirigir la actualización de cada partícula. Específicamente, en este optimizador, las partículas en el enjambre actual se dividen en dos grupos, a saber, el grupo de élite y el grupo no élite, según su aptitud. Luego, las partículas en el grupo no élite se actualizan aprendiendo de aquellas en el grupo de élite, mientras que las partículas en el grupo de élite no se actualizan y entran directamente en la próxima generación. Para lograr una convergencia rápida y una alta diversidad a nivel de partícula, permitimos que cada partícula en el grupo no élite aprenda de dos élites diferenciales en el grupo de élite. De esta manera, se espera que la efectividad de aprendizaje y la diversidad de aprendizaje de las partículas mejoren considerablemente. Para aliviar la sensibilidad del DELPSO propuesto a los parámetros recién introducidos, se diseñaron estrategias de ajuste dinámico para los parámetros. Con los dos componentes principales mencionados anteriormente, se espera que el DELPSO propuesto comprometa bien la intensificación y diversificación de la búsqueda para explorar y explotar adecuadamente el espacio de soluciones para obtener un rendimiento prometedor. Experimentos extensos realizados en el ampliamente utilizado conjunto de pruebas CEC 2017 con tres tamaños de dimensión diferentes demostraron que el DELPSO propuesto logra un rendimiento altamente competitivo o incluso mucho mejor que las variantes de PSO de última generación.