La planificación de rutas efectiva es esencial para el vuelo autónomo de drones para mejorar la eficiencia de las tareas. Muchos investigadores han aplicado algoritmos de inteligencia de enjambre a la planificación de rutas de drones. Por ejemplo, se ha utilizado el Algoritmo de Optimización de Mariposas (BOA) tradicional para este propósito. Sin embargo, el BOA tradicional enfrenta desafíos como la lenta convergencia y la susceptibilidad a quedar atrapado en óptimos locales. Se ha desarrollado un Algoritmo de Optimización de Mariposas Mejorado (IBOA) para identificar rutas óptimas y abordar estas limitaciones. Inicialmente, se utiliza el mapeo ICMIC para establecer la comunidad de mariposas, mejorando la diversidad de la población inicial y evitando la convergencia prematura del algoritmo. A continuación, se introduce una estrategia de reinicio de población, reemplazando a los individuos más débiles durante un número específico de iteraciones mientras se mantiene un tamaño de población constante. Esta estrategia mejora la capacidad del algoritmo para evitar óptimos locales y aumenta su robustez. Además, se integran características del algoritmo de Optimización por Enjambre de Partículas (PSO) para mejorar el mecanismo de actualización de ubicación de la mariposa, acelerando la tasa de convergencia del algoritmo. Para evaluar el rendimiento del algoritmo IBOA, este estudio diseñó un experimento de prueba de función CEC2020 y lo comparó con varios algoritmos de inteligencia de enjambre. Los resultados mostraron que IBOA logró el mejor rendimiento en el 70% de las pruebas de función, superando al 75% de los otros algoritmos. En los experimentos de planificación de rutas dentro de un entorno simulado, IBOA convergió rápidamente hacia la ruta óptima, y las rutas que planificó fueron las más cortas y seguras en comparación con las generadas por otros algoritmos.