Las redes de grandes empresas suelen depender de enlaces de backbone de alta velocidad y costosos para conectar múltiples campus en diversas regiones. A medida que aumenta el volumen de tráfico que atraviesa estos enlaces de backbone, se emplean técnicas de ingeniería de tráfico para filtrar o redirigir flujos de tráfico. Sin embargo, las estrategias de rerouting simples pueden causar interrupciones comerciales como la reordenación de paquetes, lo que afecta significativamente la experiencia del usuario. Para abordar este problema, presentamos un algoritmo mejorado de programación de tráfico llamado Rerouting de Flujo Crítico con Aprendizaje de Reforzamiento de Peso (CFRW-RL), que se basa en el algoritmo de rerouting de flujo crítico-aprendizaje de refuerzo (CFR-RL). CFRW-RL incorpora los principios de aprendizaje de refuerzo, teniendo en cuenta tanto los pesos como las clasificaciones de los flujos de datos. Este enfoque permite que el algoritmo priorice los flujos con pesos más bajos para el rerouting. Los resultados de la simulación demuestran que CFRW-RL minimiza significativamente el rerouting de flujos comerciales de alta prioridad y reduce la interferencia comercial en comparación con el algoritmo CFR-RL, y que mantiene una complejidad computacional similar.