A alocação de tarefas multi-aeronaves (MATA) desempenha um papel vital na melhoria da eficiência da missão sob condições dinâmicas. Este artigo propõe uma nova estrutura de programação genética coevolutiva (CoGP) que projeta automaticamente heurísticas reativas de alto desempenho para problemas dinâmicos de MATA. Ao contrário dos métodos convencionais de programação genética de árvore única, o CoGP desenvolve conjuntamente duas populações interativas, ou seja, heurísticas de priorização de tarefas e heurísticas de seleção de aeronaves, para modelar explicitamente o acoplamento entre essas duas fases de decisão interdependentes. Um conjunto terminal abrangente é construído para representar os estados dinâmicos das aeronaves e das tarefas, enquanto um modelo heurístico de baixo nível traduz as árvores desenvolvidas em estratégias de alocação executáveis. Extensos experimentos em instâncias públicas de referência que simulam entregas de emergência pós-desastre demonstram que o CoGP alcança desempenho superior em comparação com métodos de GP e heurísticas de última geração, exibindo forte adaptabilidade, escalabilidade e capacidade de resposta em tempo real em ambientes de resgate complexos e dinâmicos.

Alocação de tarefas;Programação genética (GP);Hiperheurística;Otimização combinatória;Aprender a otimizar