Los avances recientes en robots móviles agrícolas (agribots) han permitido la ejecución de tareas críticas como la inspección de cultivos, la pulverización de precisión y la cosecha selectiva. Aunque los agribots muestran un potencial significativo, los algoritmos convencionales de planificación de rutas sufren de tres limitaciones: (1) una evasión de obstáculos dinámicos inadecuada, que puede comprometer la seguridad operativa, (2) una convergencia prematura a óptimos locales y (3) un consumo excesivo de energía debido a trayectorias subóptimas. Para superar estos desafíos, este estudio propone un marco mejorado de Algoritmo Genético Dinámico-Optimización de Colonias de Hormigas (DGA-ACO). Integra un modelo de mapeo de riesgos-penalidades en 2D con mecanismos de evasión de obstáculos dinámicos, mejora la asignación de feromonas del sistema de hormigas máx-mín a través de operadores adaptativos de cruce-mutación e incorpora un modelo oculto de Markov para predecir con precisión las trayectorias de obstáculos. Una función de aptitud multiobjetivo optimiza simultáneamente la longitud de la ruta, la eficiencia energética y las métricas de seguridad, mientras que los operadores genéticos evitan la estancamiento algorítmico. Las simulaciones en diferentes escenarios muestran que DGA-ACO supera a Dijkstra, A*, algoritmo genético, optimización de colonias de hormigas y otros métodos de vanguardia. Logra reducir la longitud de las rutas y mejorar la suavidad del movimiento al tiempo que logra un cierto grado de evasión de obstáculos dinámicos en el proceso de planificación de rutas global.