Como una herramienta poderosa en optimización, los optimizadores de enjambre de partículas han sido ampliamente aplicados a muchas áreas diferentes de optimización y han recibido mucha atención. Sin embargo, para problemas de optimización a gran escala, los algoritmos muestran una capacidad pobre para alcanzar resultados satisfactorios debido a la falta de habilidad en el mantenimiento de la diversidad. En este artículo se propone un optimizador de enjambre de partículas multi-enjambre adaptativo, que divide de forma adaptativa un enjambre en varios subenjambres y emplea un mecanismo de competencia para seleccionar ejemplares. De esta manera, por un lado, la diversidad de ejemplares aumenta, lo que ayuda al enjambre a preservar la capacidad de explotación. Por otro lado, el número de subenjambres cambia de forma adaptativa de un valor grande a un valor pequeño, lo que ayuda al algoritmo a encontrar un equilibrio adecuado entre explotación y exploración. Al emplear varios algoritmos comparativos, realizamos comparaciones para validar el algoritmo propuesto en una suite de pruebas de optimización a gran escala de CEC 2013. Los resultados de los experimentos demuestran que el algoritmo propuesto es efectivo y competitivo para abordar problemas de optimización a gran escala.