La optimización por enjambre de partículas de aprendizaje integral multiswarm (MSCLPSO) es una metaheurística multiobjetivo propuesta recientemente por los autores. MSCLPSO utiliza múltiples enjambres de partículas y almacena externamente elitistas que son soluciones no dominadas encontradas hasta ahora. MSCLPSO puede aproximar el verdadero frente de Pareto en una sola ejecución; sin embargo, requiere un gran número de generaciones para converger, porque cada enjambre solo optimiza el objetivo asociado y no aprende de ninguna experiencia de búsqueda fuera del enjambre. En este artículo, proponemos una estrategia de actualización de velocidad de partículas adaptativa para MSCLPSO con el fin de mejorar la eficiencia de búsqueda. Según si los elitistas son indiferentes o complejos en cada dimensión, cada partícula determina de manera adaptativa si debe aprender solo de alguna partícula en el mismo enjambre, o adicionalmente de la diferencia de algún par de elitistas para la actualización de velocidad en esa dimensión, tratando de lograr un equilibrio entre optimizar el objetivo asociado y explorar diversas regiones del conjunto de Pareto. Los resultados experimentales en varios problemas de optimización de referencia de dos y tres objetivos con diferentes características de complejidad dimensional demuestran que la estrategia de actualización de velocidad de partículas adaptativa mejora significativamente el rendimiento de búsqueda de MSCLPSO y es capaz de ayudar a MSCLPSO a localizar el verdadero frente de Pareto más rápidamente y obtener soluciones no dominadas mejor distribuidas a lo largo de todo el frente de Pareto.