Los enfoques basados en la población nos han brindado nuevas estrategias de búsqueda e ideas para resolver problemas de optimización. Por lo general, estos métodos se basan en el rendimiento llevado a cabo por un número finito de agentes, que evolucionan y trabajan en todo el espacio de búsqueda mediante la interacción entre ellos. Además, es bien sabido que el uso correcto de los valores de los parámetros en este tipo de método puede impactar positivamente en su rendimiento y comportamiento. En este contexto, el presente trabajo se centra en el diseño de una arquitectura híbrida que equilibra de manera inteligente el tamaño de la población en tiempo de ejecución. Para equilibrar de manera inteligente y controlar el tamaño de la población, se propone un enfoque modular, denominado Equilibrador de Población Modular Lineal (LMPB). Las principales ideas detrás de la arquitectura diseñada incluyen la estrategia de resolución detrás de una metaheurística basada en población, la influencia de componentes de aprendizaje basados en múltiples métodos de modelado estadístico que transforman los datos dinámicos generados en conocimiento, y las posibilidades para abordar problemas de optimización tanto discretos como continuos. En este sentido, se proponen tres módulos para LMPB, que abarcan tareas como la gestión del algoritmo basado en población, configuración de parámetros, probabilidades, métodos de aprendizaje y mecanismo de selección para el tamaño de la población a emplear. Para probar la viabilidad y efectividad de nuestro enfoque propuesto, resolvemos un conjunto de funciones de referencia conocidas y el problema de la mochila multidimensional (MKP). Además, ilustramos resultados prometedores de resolución, los comparamos con métodos de vanguardia que han demostrado ser buenas opciones para resolver problemas de optimización, y proporcionamos argumentos sólidos para futuros trabajos en la necesidad de seguir evolucionando este tipo de arquitectura propuesta.