Esta investigación ofrece un método mejorado para la autoorganización de un enjambre de UAVs basado en un enfoque de aprendizaje social. Para comenzar, utilizamos tres colonias diferentes y tres mejores miembros, es decir, vehículos aéreos no tripulados (UAVs) colocados aleatoriamente en las colonias. Este estudio utiliza la optimización de colonias de hormigas max-min (MMACO) junto con un mecanismo de aprendizaje social para planificar la ruta optimizada para una colonia individual. A partir de ahí, el sistema multiagente (MAS) elige el UAV más óptimo como líder de cada colonia y los UAVs restantes como agentes, lo que ayuda a organizar los UAVs posicionados aleatoriamente en tres formaciones diferentes. Posteriormente, el algoritmo sincroniza y conecta las tres colonias en un enjambre y lo controla utilizando selección dinámica de líderes. La principal contribución de este estudio es hibridar dos enfoques diferentes para producir una estrategia más optimizada, eficiente y efectiva. Los resultados verifican que el algoritmo propuesto cumple con los objetivos establecidos. Este estudio también compara el método diseñado con el Algoritmo Genético de Clasificación No Dominada II (NSGA-II) para demostrar que nuestro método ofrece mejor convergencia y alcanza el objetivo utilizando una ruta más corta que el NSGA-II.