Este documento explora el rendimiento de la seguridad en la capa física de flotas de drones colaborativos habilitados por comunicación de luz visible (VLC) en un escenario de múltiples escuchas, donde múltiples drones utilizan VLC para atender a usuarios terrestres. Para fortalecer la seguridad del sistema, formulamos un problema de maximización de la tasa de secreto en el peor de los casos. Para abordar el desafío de optimización no convexa de este problema, desarrollamos dos innovadores algoritmos de decisión de posición basados en Q-learning (Q-PDA y Q-PDA-lite) con un mecanismo de recompensa dinámica, lo que permite a los drones optimizar adaptativamente sus posiciones. Además, proponemos un algoritmo de agrupamiento mejorado basado en Búsqueda Tabú (TS-GA) para establecer la asociación subóptima entre el equipo de usuario (UE) y el dron, equilibrando la exploración de soluciones candidatas y la explotación de restricciones tabu. Los resultados de simulación demuestran que los propuestos Q-PDA y Q-PDA-lite logran tasas de secreto en el peor de los casos que superan significativamente a las de Random-PDA y K-means-PDA. Aunque Q-PDA-lite exhibe un rendimiento un 2% inferior al de Q-PDA, ofrece una complejidad reducida. Además, el TS-GA propuesto logra una tasa de secreto en el peor de los casos que supera sustancialmente al agrupamiento aleatorio, al agrupamiento basado en la ganancia del canal UE y al agrupamiento basado en la ganancia del canal. En conjunto, el enfoque híbrido que integra Q-PDA y TS-GA alcanza un 10% de optimalidad casi global con convergencia garantizada, mientras preserva la eficiencia computacional. Además, este enfoque híbrido supera a otras combinaciones en términos de métricas de seguridad.