La planificación de rutas para múltiples UAV presenta un desafío crítico en las aplicaciones de Vehículos Aéreos No Tripulados (UAV), particularmente en entornos con diversos obstáculos y restricciones. Estas condiciones transforman la planificación de rutas para múltiples UAV en un complejo problema de optimización con múltiples restricciones, reduciendo significativamente el número de soluciones viables y complicando la generación de trayectorias de vuelo óptimas. Aunque el algoritmo de moho mucilaginoso (SMA) ha demostrado ser efectivo en misiones de optimización, aún sufre de limitaciones como una capacidad de exploración inadecuada, convergencia prematura y una tendencia a quedar atrapado en óptimos locales. Estas desventajas degradan su rendimiento en escenarios complejos de múltiples UAV. Este estudio propone un algoritmo de moho mucilaginoso mejorado y auto-adaptativo llamado AI-SMA para abordar estos problemas. En primer lugar, AI-SMA incorpora un nuevo mecanismo de búsqueda para equilibrar la exploración y la explotación mediante la integración de evolución diferencial basada en rangos (rank-DE). Luego, se introduce un operador de conmutación auto-adaptativo para aumentar la diversidad de la población en iteraciones posteriores y evitar la convergencia prematura. Finalmente, se implementa una estrategia de perturbación auto-adaptativa para proporcionar un mecanismo de escape efectivo, facilitando una convergencia más rápida. Se realizaron extensos experimentos en el conjunto de pruebas de referencia CEC 2017 y en escenarios de planificación de rutas para múltiples UAV. Los resultados muestran que AI-SMA mejora la calidad del ajuste óptimo en aproximadamente un 7.83% en comparación con el SMA original, al tiempo que demuestra una robustez y efectividad superiores en la generación de trayectorias libres de colisiones.