Inspirado en el comportamiento migratorio de las mariposas monarca en la naturaleza, Wang et al. propusieron un algoritmo novedoso, prometedor e inteligente basado en enjambres, la optimización de mariposas monarca (MBO), para abordar problemas de optimización global. En el algoritmo básico de MBO, las mariposas en la tierra 1 (subpoblación 1) y la tierra 2 (subpoblación 2) se calculan según el parámetro p, que no cambia durante todo el proceso de optimización. En nuestro trabajo actual, se introduce una estrategia autoadaptativa para ajustar dinámicamente las mariposas en la tierra 1 y 2. En consecuencia, el tamaño de la población en la subpoblación 1 y 2 cambia dinámicamente a medida que el algoritmo evoluciona de manera lineal. Después de introducir el concepto de una estrategia autoadaptativa, se propone un algoritmo MBO mejorado, llamado optimización de mariposas monarca con población autoadaptativa (SPMBO). En SPMBO, solo se pueden aceptar como nuevos individuos para las próximas generaciones en la operación de migración aquellos individuos generados que sean mejores que antes. Finalmente, el algoritmo SPMBO propuesto se compara con trece funciones de prueba estándar con dimensiones de 30 y 60. Los resultados experimentales indican que la capacidad de búsqueda del enfoque SPMBO propuesto supera significativamente al algoritmo básico de MBO en la mayoría de las funciones de prueba. Esto también implica que la estrategia autoadaptativa es una forma efectiva de mejorar el rendimiento del algoritmo básico de MBO.