La computación bioinspirada es un área atractiva de la inteligencia artificial que estudia cómo los fenómenos naturales proporcionan una rica fuente de inspiración en el diseño de procedimientos inteligentes capaces de convertirse en algoritmos poderosos. Muchos de estos procedimientos han sido utilizados con éxito en problemas de clasificación, predicción y optimización. Los métodos de inteligencia de enjambre son un tipo de algoritmo bioinspirado que ha demostrado ser impresionantes solucionadores de optimización durante mucho tiempo. Sin embargo, para que estos algoritmos alcancen su máximo rendimiento, se requiere el ajuste adecuado de los parámetros iniciales por parte de un usuario experto. Esta tarea es extremadamente exhaustiva y debe realizarse en una fase previa del proceso de búsqueda. Se han desarrollado diferentes métodos en línea para apoyar las técnicas de inteligencia de enjambre, sin embargo, este problema sigue siendo un desafío abierto. En este documento, proponemos un enfoque híbrido que permite ajustar los parámetros basados en un estado deducido por el algoritmo de inteligencia de enjambre. La deducción del estado se determina mediante la clasificación de una cadena de observaciones utilizando el modelo oculto de Markov. Los resultados muestran que nuestra propuesta exhibe un buen rendimiento en comparación con la versión original.