Se espera que las futuras densidades de tráfico elevado con operaciones de drones superen el número de aeronaves que los procedimientos actuales de control de tráfico aéreo pueden controlar simultáneamente. A pesar de la extensa investigación sobre métodos geométricos de resolución de conflictos (CR), a densidades más altas, su rendimiento se ve obstaculizado por el comportamiento emergente impredecible de las aeronaves circundantes. En respuesta, la investigación ha cambiado su atención hacia la creación de herramientas automatizadas capaces de generar acciones de resolución de conflictos (CR) adaptadas al entorno y no limitadas por reglas impuestas por el hombre. Recientemente se han publicado varios trabajos que emplean métodos de aprendizaje por refuerzo (RL) para la resolución de conflictos. Aunque demuestran que tienen potencial, en su desarrollo actual, los resultados de la implementación práctica de estos métodos no alcanzan su rendimiento teórico esperado. En consecuencia, las aplicaciones de RL aún no pueden igualar la eficacia de los métodos geométricos de CR. Sin embargo, estas aplicaciones pueden mejorar el conjunto de reglas que los métodos geométricos de CR utilizan para generar una maniobra de CR. Este trabajo emplea un método de RL responsable de decidir los parámetros que un método geométrico de CR utiliza para generar la maniobra de CR para cada situación de conflicto. Los resultados muestran que este enfoque híbrido, que combina las fortalezas de los métodos geométricos de CR y los métodos de RL, reduce el número total de pérdidas de separación mínima. Además, la amplia gama de diferentes soluciones óptimas encontradas por el método de RL muestra que las reglas del método geométrico de CR deben ser ampliadas, atendiendo a diferentes geometrías de conflicto.