La aplicación generalizada de robots móviles tiene una importancia significativa para avanzar en la inteligencia social. Sin embargo, a medida que aumenta la complejidad del entorno, los métodos existentes de Planificación de Rutas de Evitación de Obstáculos (OAPP) tienden a caer en rutas óptimas locales, comprometiendo la fiabilidad y la practicidad. Por lo tanto, basándose en el Optimizador Araña-Avispa (SWO), este documento propone un método OAPP mejorado llamado LMBSWO para abordar estos desafíos. En primer lugar, se introduce una estrategia de aprendizaje para mejorar la diversidad de la población algorítmica, mejorando así su rendimiento de optimización global. En segundo lugar, se incorpora la estrategia de guía de doble punto medio para mejorar la capacidad de explotación del algoritmo y aumentar su capacidad de búsqueda de rutas. Por último, se introduce una mejor estrategia de guía para mejorar la capacidad del algoritmo de escapar de rutas óptimas locales. Posteriormente, se emplea LMBSWO para OAPP en cinco entornos de mapas diferentes. Los resultados experimentales muestran que LMBSWO logra una ventaja en longitud de ruta sin colisiones, con una probabilidad del 100%, en cinco mapas de diferente complejidad, mientras obtiene una tolerancia a fallas del 80% en diferentes mapas, en comparación con nueve métodos OAPP novedosos existentes con un rendimiento eficiente. LMBSWO ocupa el primer lugar en el equilibrio entre el tiempo de planificación y la longitud de la ruta. Con estos resultados, LMBSWO puede considerarse como un método OAPP robusto con un rendimiento de resolución eficiente, junto con una alta robustez.