La regresión de mínimos cuadrados parciales del núcleo (KPLS) es un método no lineal para predecir una o más variables dependientes a partir de un conjunto de predictores, que transforma los conjuntos de datos originales en un espacio de características donde es posible generar un modelo lineal y extraer factores ortogonales también llamados componentes. Una dificultad en la implementación de la regresión KPLS es determinar el número de componentes y los parámetros de la función del núcleo que maximizan su rendimiento. En este trabajo, se propone un método para mejorar la capacidad predictiva de la regresión KPLS mediante algoritmos meméticos. Se realiza un procedimiento de ajuste metaheurístico para seleccionar el número de componentes y los parámetros de la función del núcleo que maximizan el coeficiente de correlación cuadrado predictivo acumulado, un indicador general de la capacidad predictiva de KPLS. La metodología propuesta llevó a estimar los parámetros óptimos de la regresión KPLS para mejorar su capacidad predictiva.