Los algoritmos metaheurísticos han resuelto con éxito muchos problemas del mundo real en los últimos años. Inspirados por diferentes fenómenos naturales, los algoritmos con mecanismos de búsqueda especiales pueden ser buenos para abordar ciertos problemas. Sin embargo, pueden fallar al resolver otros problemas. Entre los diferentes enfoques, la hibridación de algoritmos metaheurísticos puede ayudar a enriquecer sus comportamientos de búsqueda mientras promueve la adaptabilidad de la búsqueda. En consecuencia, en este estudio se propone un marco de optimización híbrido eficiente basado en poblaciones, denominado HYPO, en el que dos algoritmos metaheurísticos con ideas de búsqueda diferentes están conectados por un esquema dinámico de transición de estado basado en contribuciones. Específicamente, el esquema de transición dinámica determina las direcciones de las transiciones de información después de considerar la contribución actual y el estado del sistema en cada iteración, de modo que la información útil pueda compartirse y aprenderse entre los algoritmos metaheurísticos involucrados a lo largo del proceso de búsqueda. Para examinar cuidadosamente la efectividad del esquema de transición dinámica, el marco HYPO propuesto se compara con varios algoritmos metaheurísticos conocidos en un conjunto de funciones de referencia a gran escala y problemas de gestión de carteras de diferentes escalas, en los que el HYPO obtiene un rendimiento sobresaliente en los problemas con características complejas. Por último, pero no menos importante, el marco híbrido arroja luz sobre muchas posibles direcciones para futuras mejoras e investigaciones.