Como un sistema capaz de monitorear y evaluar el acceso de red ilegítimo, un sistema de detección de intrusiones (IDS) impacta profundamente en la investigación de seguridad de la información. Dado que las técnicas de aprendizaje automático constituyen la columna vertebral de los IDS, ha sido un desafío desarrollar un mecanismo de detección preciso. Este estudio tiene como objetivo mejorar el rendimiento de detección de IDS mediante el uso de un enfoque de selección de características impulsado por optimización por enjambre de partículas (PSO) y un ensamble híbrido. Específicamente, los subconjuntos de características finales derivados de diferentes conjuntos de datos de IDS, es decir, NSL-KDD, UNSW-NB15 y CICIDS-2017, se entrenan utilizando un ensamble híbrido, que comprende dos conocidos aprendices de ensamble, es decir, máquina de aumento de gradiente (GBM) y agregación bootstrap (bagging). En lugar de entrenar GBM con aprendizaje de ensamble individual, entrenamos GBM en una submuestra de cada conjunto de datos de intrusión y combinamos la predicción de clase final usando votación mayoritaria. Nuestro esquema propuesto llevó a refinamientos fundamentales sobre las líneas de base existentes, como TSE-IDS, ensambles de votación, votación mayoritaria ponderada y otros IDS basados en ensambles individuales como LightGBM.