La optimización por enjambre de partículas (PSO) ha experimentado un gran éxito en la optimización de problemas. Sin embargo, su rendimiento de optimización degrada seriamente al enfrentarse a problemas de optimización con muchos óptimos locales. Para aliviar este problema, este documento diseña un método de optimización por enjambre de partículas con aprendizaje cognitivo predominante (PCLPSO) para abordar eficazmente problemas de optimización complicados. Específicamente, para cada partícula, se construye un nuevo ejemplo prometedor permitiendo que su mejor posición personal aprenda cognitivamente de una mejor experiencia personal seleccionada al azar de entre las de los demás, basándose en una novedosa estrategia de aprendizaje cognitivo predominante. Como resultado, diferentes partículas conservan diferentes ejemplos guía. De esta manera, se espera mejorar la efectividad y la diversidad de aprendizaje de las partículas. Para eliminar el dilema de que PCLPSO es sensible a los parámetros involucrados, proponemos estrategias de ajuste dinámico, de modo que diferentes partículas conservan diferentes configuraciones de parámetros, lo cual es beneficioso para promover la diversidad de aprendizaje de las partículas. Con las técnicas mencionadas, se espera que el PCLPSO propuesto comprometa de manera adecuada la intensificación y diversificación de la búsqueda para explorar de manera adecuada el espacio de soluciones complejo y lograr un rendimiento satisfactorio. Se realizan experimentos exhaustivos en el conjunto de funciones de referencia CEC 2017 comúnmente adoptado para comprobar la efectividad del PCLPSO diseñado. Los resultados experimentales muestran que el PCLPSO obtiene un rendimiento considerablemente competitivo o incluso mucho más prometedor que varios métodos representativos y de vanguardia.