El espacio aéreo urbano, caracterizado por edificios altos densamente empaquetados, presenta condiciones ambientales complejas y dinámicamente cambiantes. Esto conlleva riesgos potenciales para los vuelos de UAV, como el riesgo de colisión y la entrada accidental en zonas prohibidas. Actualmente, los algoritmos de planificación de rutas más utilizados, incluido el algoritmo PSO, tienen problemas como la tendencia a converger a soluciones óptimas locales y una mala estabilidad. En este estudio, se propone un algoritmo mejorado de optimización por enjambre de partículas (LGPSO) para abordar estos problemas. Este algoritmo redefine la planificación de rutas como un problema de optimización, construyendo una función de costo que incorpora requisitos de seguridad y restricciones operativas para los UAV. Se añaden pesos de inercia estocásticos para equilibrar las capacidades de búsqueda global y local. Además, se introducen factores de aprendizaje asimétricos para dirigir las partículas de manera más precisa hacia la posición óptima. Se utiliza una estrategia de vuelo de Lévy mejorada para mejorar la capacidad de exploración, y se diseña una estrategia de evaluación de algoritmo codicioso para evaluar la ruta más rápidamente. El espacio de configuración se busca de manera eficiente utilizando las posiciones de las partículas correspondientes y los parámetros de los UAV. Los experimentos, que involucraron la mapeo de entornos urbanos complejos con herramientas de modelado 3D, se llevaron a cabo mediante simulaciones en MATLAB R2023b para evaluar su rendimiento algorítmico. Los resultados muestran que el algoritmo LGPSO mejora en un 23% respecto al algoritmo PSO clásico y en un 18% respecto al algoritmo GAPSO en la distancia de la ruta óptima bajo seguridad garantizada. El algoritmo LGPSO muestra mejoras significativas en estabilidad y planificación de rutas, proporcionando una solución efectiva para la planificación de rutas de UAV en entornos complejos.