La optimización por enjambre de partículas (PSO) es un algoritmo heurístico basado en poblaciones que se utiliza ampliamente para problemas de optimización. Phasor PSO (PPSO), una extensión de PSO, utiliza el ángulo de fase para crear un PSO más equilibrado debido a su mayor capacidad para ajustar el entorno sin parámetros como el peso de inercia. El algoritmo PPSO funciona bien para poblaciones de tamaño pequeño pero necesita mejoras para poblaciones grandes en el caso de problemas complejos y dimensiones en rápido crecimiento. Este estudio introduce un proceso competitivo de coevolución para mejorar la capacidad de PPSO para problemas de optimización global. La coevolución competitiva descompone el problema en múltiples subproblemas, y estas subcolmenas coevolucionan para encontrar una solución mejor. La mejor solución se selecciona y se reemplaza con la subcolmena actual para la próxima competencia. Este proceso aumenta la diversidad de la población, reduce la convergencia prematura y aumenta la eficiencia de memoria de PPSO. Los resultados de la simulación utilizando PPSO, la optimización por enjambre de partículas basada en dominancia difusa (FMPSO) y el PPSO de múltiples colmenas competitivas mejorado (ICPPSO) se generan para evaluar el poder de convergencia del algoritmo propuesto. Los resultados experimentales muestran que ICPPSO logra un rendimiento dominante. Los resultados de ICPPSO para el fitness promedio muestran mejoras promedio del 15%, 20%, 30% y 35% sobre PPSO y FMPSO. La prueba de significancia estadística de Wilcoxon también confirma una diferencia significativa en el rendimiento de los algoritmos ICPPSO, PPSO y FMPSO a un nivel de significancia del 0.05.