Con el avance de la tecnología y el auge de la industria de vehículos aéreos no tripulados, el uso de drones ha crecido enormemente. Para los drones que realizan misiones de entrega cerca del suelo, el problema de la planificación de rutas en un espacio 3D es particularmente importante en la navegación autónoma de drones en espacios complejos. Por lo tanto, en este artículo se propone un algoritmo mejorado de optimización de mariposas (BOA-TSAR) para lograr la búsqueda de rutas autónoma de drones en el espacio 3D. Primero, este artículo mejora la estrategia de aleatoriedad de la generación de la población inicial en el algoritmo de optimización de mariposas (BOA) a través del método de mapeo caótico de Tienda, mediante la eliminación de la propiedad de corto período, lo que equilibra el equilibrio de las soluciones iniciales generadas por el algoritmo BOA en el espacio de soluciones. En segundo lugar, este artículo mejora las deficiencias del algoritmo BOA en términos de convergencia más lenta, menor precisión y la existencia de estancamiento óptimo local al tratar con funciones complejas de alta dimensión mediante pesos de inercia no lineales adaptativos, una estrategia de recocido simulado y mutación estocástica con características adaptativas globales. Finalmente, este artículo propone una estrategia de generación de población inicial, basada en el método de detección de línea de visión (LOS) en 3D, para reducir aún más la generación de puntos de interrupción de ruta mientras se asegura la diversidad de soluciones factibles generadas por el algoritmo BOA para las rutas. En este artículo, verificamos el rendimiento superior de BOA-TSAR mediante experimentos de simulación. Los resultados de la simulación muestran que BOA-TSAR es muy competitivo entre los algoritmos de inteligencia de enjambre (SI) del mismo tipo. Al mismo tiempo, el algoritmo BOA-TSAR logra la medida de longitud de ruta óptima y la medida de suavidad en el experimento de planificación de rutas.