OBJETIVOS: Algoritmos utilizados para a configuração paramétrica de outros algoritmos são denominados tuners. Esse artigo apresenta a utilização da otimização por enxame de partículas (Particle Swarm Optimization - PSO) como tuner de metaheurísticas de busca local na solução de problemas de otimização combinatória. Mais especificamente será considerado o Flowshop. O objetivo é analisar a diferença da aplicação de um modelo probabilístico (MP) simples sobre parâmetros categóricos para a movimentação das partículas do algoritmo PSO (abordagem denominada HPPSOtuner) ao invés de apenas utilizar a movimentação tradicional do PSO (abordagem PSOtuner). MÉTODOS: Nesse trabalho as partículas da metaheurística PSO codificam configurações candidatas para a metaheurística Hill Climbing. O MP aplicado será um método simples de roleta baseado na frequência das ocorrências dos parâmetros categóricos nas melhores posições encontradas por cada partícula, onde é garantida uma probabilidade mínima para evitar que algumas opções de parâmetros sejam desprezadas. RESULTADOS: O HPPSOtuner obteve resultados superiores aos do PSOtuner quando associado ao MP elitista (baixa probabilidade mínima) e os piores resultados vieram do MP com distribuição uniforme. CONCLUSÕES: O uso do PSO como tuner é possível e quando associado a um modelo baseado em frequência nas melhores soluções, os benefícios são ainda maiores.