Este artículo presenta una estrategia para enriquecer los algoritmos de inteligencia de enjambre con las preferencias del Decisor (DM) representadas en un clasificador ordinal basado en el intervalo de superación. La clasificación ordinal se utiliza para sesgar la búsqueda hacia la Región de Interés (RoI), la zona privilegiada de la frontera de Pareto que contiene las soluciones más satisfactorias según las preferencias del DM. Aplicamos esta estrategia híbrida a dos algoritmos de inteligencia de enjambre, es decir, la Optimización de Lobo Gris Multiobjetivo y la Optimización de Colonia de Hormigas Multiobjetivo basada en Indicadores para dominios continuos. Los algoritmos híbridos resultantes se llamaron GWO-InClass y ACO-InClass. Para validar nuestra estrategia, realizamos experimentos en los problemas DTLZ, el conjunto de pruebas más estudiado en el marco de la optimización multiobjetivo. Según los resultados, nuestro enfoque es adecuado cuando se tratan muchas funciones objetivo. GWO-InClass y ACO-InClass demostraron la capacidad de alcanzar la RoI mejor que las metaheurísticas originales que aproximan la frontera de Pareto completa.