En el problema de asignación de tareas de reconocimiento colaborativo de múltiples UAV, los algoritmos existentes tienen problemas con la precisión de la solución, que se manifiestan específicamente como grandes extensiones espaciales y nudos de rutas en la ejecución de tareas de los UAV. Para abordar los desafíos mencionados, este artículo presenta un modelo de asignación de tareas para múltiples UAV bajo condiciones complejas (MTAMCC). Para resolver este modelo de manera eficiente, este artículo propone un algoritmo de manada de lobos élite basado en umbral de probabilidad (EWPA-PT). El algoritmo EWPA-PT combina el comportamiento errante del algoritmo tradicional de manada de lobos con el algoritmo genético. Introduce un problema de permutación ordenada para calcular los tiempos de errancia adaptativa de los lobos detectives en una dirección específica. Durante la fase de llamada del algoritmo, los lobos feroces de la manada aprenden aleatoriamente los resultados de asignación de tareas del lobo líder. El comportamiento de asedio introduce el criterio de Metropolis del algoritmo de recocido simulado para reemplazar el umbral de distancia en los algoritmos tradicionales de manada de lobos con un umbral de probabilidad, que cambia dinámicamente durante el proceso de iteración. El mecanismo de actualización de la manada aprovecha la experiencia de asignación de tareas del grupo élite para reconstruir lobos individuales, mejorando así la eficiencia de la reconstrucción individual. Los experimentos demuestran que el algoritmo EWPA-PT mejora significativamente la precisión de la solución en comparación con los métodos típicos en los últimos años.