En el control de manipuladores de robots, las restricciones de torque de entrada y las no linealidades del sistema presentan desafíos significativos para el seguimiento preciso de trayectorias. Sin embargo, el control lógico adaptativo difuso (FALC) a menudo falla en generar las funciones de membresía óptimas o intervalos de función. Este documento propone un algoritmo de rata de caña mayor modificado (MGCRA) para optimizar un controlador lógico adaptativo difuso (FALC) para minimizar los torques de entrada durante las tareas de seguimiento de trayectorias. La principal innovación radica en integrar el MGCRA mejorado con FALC, lo que mejora la adaptabilidad y el rendimiento del controlador. Para la comparación de referencia, se comparan varios algoritmos de inteligencia de enjambre de última generación, incluida la optimización por enjambre de partículas (PSO), la colonia artificial de abejas (ABC), la optimización de colonia de hormigas (ACO), la optimización de lobo gris (GWO), la estrategia de evolución de adaptación de matriz de covarianza (CMA-ES), la evolución diferencial guiada adaptativa (AGDE), el algoritmo básico de rata de caña mayor (GCRA) y un método de prueba y error, bajo condiciones idénticas. Los resultados experimentales muestran que el FALC ajustado por MGCRA logra menores torques de entrada y una mayor precisión en el seguimiento de trayectorias en comparación con otros métodos. Los hallazgos demuestran la efectividad y el potencial del marco propuesto MGCRA-FALC para el control avanzado de manipuladores robóticos.