La planificación de rutas de evitación de obstáculos de extremo a extremo para vehículos inteligentes ha sido un tema ampliamente estudiado. Para resolver los problemas típicos de los algoritmos de resolución, que son la débil capacidad de optimización global, la facilidad para caer en la optimización local y la lenta velocidad de convergencia, se propone en este documento un método de optimización eficiente basado en el algoritmo de optimización de ballenas. Presentamos un mecanismo de ajuste adaptativo que puede modificar dinámicamente el comportamiento de búsqueda durante el proceso de iteración del algoritmo de optimización de ballenas. Mientras tanto, para coordinar el óptimo global y el óptimo local del algoritmo de resolución, introducimos una variable controlable que puede ser restablecida según escenarios de enrutamiento específicos. La estrategia evolutiva de variación diferencial también se aplica en el algoritmo presentado para actualizar aún más la ubicación de los individuos de búsqueda. En experimentos numéricos, comparamos el algoritmo propuesto con los siguientes seis algoritmos de optimización de inteligencia de enjambre bien conocidos: Optimización de Enjambre de Partículas (PSO), Algoritmo de Murciélago (BA), Algoritmo de Optimización de Lobo Gris (GWO), Algoritmo de Libélula (DA), Algoritmo de León Hormiga (ALO) y el tradicional Algoritmo de Optimización de Ballenas (WOA). Nuestro método dio lugar a mejores resultados para las veintitrés funciones de referencia típicas. En cuanto a problemas de planificación de rutas, observamos una mejora promedio del 18.95% en la obtención de soluciones óptimas y del 77.86% en la estabilidad. Además, nuestro método mostró una convergencia más rápida en comparación con algunos enfoques existentes.