La idea de enfoques híbridos se ha convertido en una estrategia poderosa para abordar varios problemas de optimización complejos. En este sentido, el presente trabajo se preocupa por contribuir con un nuevo marco de optimización, denominado equilibrador lineal basado en aprendizaje. Se diseña un modelo de regresión, con el objetivo de predecir mejores movimientos para el enfoque y mejorar el rendimiento. La idea principal es equilibrar la intensificación y la diversificación realizadas por el modelo híbrido de manera online. En este documento, empleamos operadores de movimiento de un optimizador de hienas manchadas, un algoritmo moderno que ha demostrado producir buenos resultados en la literatura. Para probar el rendimiento de nuestro enfoque híbrido, resolvemos 15 funciones de referencia, compuestas por funciones unimodales, multimodales y mutimodales con dimensión fija. Además, en cuanto a la competitividad, realizamos una comparación con algoritmos de vanguardia y el procedimiento de optimización de parámetros secuenciales, que forma parte de múltiples métodos de ajuste exitosos propuestos en la literatura. Finalmente, comparamos con la implementación tradicional de un optimizador de hienas manchadas y un enfoque de red neuronal, se lleva a cabo el respectivo análisis estadístico. Ilustramos resultados experimentales, donde obtenemos un rendimiento y una robustez interesantes, lo que nos permite concluir que nuestro enfoque híbrido es una alternativa competitiva en el campo de la optimización.