Los Vehículos Aéreos No Tripulados (VANT) se han convertido en una tecnología clave en la agricultura de precisión, permitiendo un monitoreo, inspección e intervenciones dirigidas eficientes. Sin embargo, la planificación efectiva de rutas de VANT en tales entornos requiere la generación de trayectorias seguras, energéticamente eficientes y suaves en espacios tridimensionales complejos. Este documento propone un Optimizador de Tropas de Gorilas Guiado por Aprendizaje Q Adaptativo (AQGTO) para la planificación de rutas de VANT en 3D. El método propuesto integra un mecanismo de aprendizaje Q consciente del estado en el Optimizador de Tropas de Gorilas (GTO), lo que permite al optimizador seleccionar de manera adaptativa estrategias de exploración, explotación y diversificación de acuerdo con el estado actual de optimización. Se formula una función de costo multiobjetivo para minimizar simultáneamente la longitud de la ruta, un costo sustituto relacionado con la energía, la proximidad a obstáculos, la suavidad de la ruta y la variación de altitud. Además, se introduce un mecanismo de reparación de viabilidad para garantizar trayectorias libres de colisiones en entornos con obstáculos cilíndricos. El enfoque propuesto se evalúa en tres escenarios agrícolas representativos: campos de cultivos en hileras, entornos de huertos y terrenos montañosos. Los resultados experimentales muestran que AQGTO logra un rendimiento competitivo y mejorado en comparación con A* clásico, Optimización por Enjambre de Partículas (PSO), Optimizador de Lobo Gris (GWO), Algoritmo de Optimización de Ballenas (WOA) y el GTO original en términos de costo de trayectoria, eficiencia de ruta y estabilidad. Además, un estudio de ablación confirma que la integración del aprendizaje Q mejora significativamente el rendimiento de optimización. Estos resultados sugieren que AQGTO proporciona una solución efectiva y robusta para la planificación de rutas de VANT en entornos agrícolas complejos.