La asignación de tareas para múltiples aeronaves (MATA) desempeña un papel vital en la mejora de la eficiencia de la misión bajo condiciones dinámicas. Este artículo propone un novedoso marco de programación genética coevolutiva (CoGP) que diseña automáticamente heurísticas reactivas de alto rendimiento para problemas dinámicos de MATA. A diferencia de los métodos convencionales de programación genética de árbol único, CoGP desarrolla conjuntamente dos poblaciones interactivas, es decir, heurísticas de priorización de tareas y heurísticas de selección de aeronaves, para modelar explícitamente la relación entre estas dos fases de decisión interdependientes. Se construye un conjunto terminal completo para representar los estados dinámicos de las aeronaves y las tareas, mientras que una plantilla heurística de bajo nivel traduce los árboles desarrollados en estrategias de asignación ejecutables. Experimentos extensos sobre instancias de referencia públicas que simulan la entrega de emergencia post-desastre demuestran que CoGP logra un rendimiento superior en comparación con los métodos GP y heurísticos de última generación, exhibiendo una fuerte adaptabilidad, escalabilidad y capacidad de respuesta en tiempo real en entornos de rescate complejos y dinámicos.

Asignación de tareas;Programación genética (GP);Hiperheurística;Optimización combinatoria;Aprender a optimizar