La planificación de rutas es uno de los problemas clave en la investigación de la tecnología de vehículos aéreos no tripulados. Su propósito es encontrar la mejor ruta entre el punto de partida y el destino. Aunque existen muchas recomendaciones de investigación sobre la planificación de rutas de UAV en la literatura, hay una falta de métodos de optimización de rutas que consideren tanto el entorno de vuelo complejo como las limitaciones de rendimiento del propio UAV. Proponemos una versión mejorada del Algoritmo de Optimización Chimp (TRS-ChOA) para resolver el problema de planificación de rutas de UAV en un entorno 3D. En primer lugar, combinamos el operador de mutación diferencial para mejorar la capacidad de búsqueda del algoritmo y prevenir la convergencia prematura. En segundo lugar, utilizamos un aprendizaje inverso mejorado para expandir el rango de búsqueda del algoritmo, evitando efectivamente que el algoritmo pierda soluciones de alta calidad. Finalmente, proponemos un peso de preferencia de similitud para evitar que los individuos se sobreasimilen y mejorar la capacidad del algoritmo para escapar de los óptimos locales. A través de pruebas en 13 funciones de referencia y 29 funciones complejas CEC2017, TRS-ChOA demuestra una capacidad de optimización superior y robustez en comparación con otros algoritmos. Aplicamos TRS-ChOA junto con otros cinco algoritmos conocidos para resolver problemas de planificación de rutas en tres entornos 3D. Los resultados experimentales revelan que TRS-ChOA reduce la longitud de ruta/valor de aptitud promedio en un 23,4%/65,0%, 8,6%/81,0% y 16,3%/41,7% en comparación con otros algoritmos en los tres entornos, respectivamente. Esto indica que las rutas de vuelo planificadas por TRS-ChOA son más rentables, más suaves y más seguras.