Con la creciente diversidad y complejidad de las tareas asignadas a los vehículos aéreos no tripulados (VANT), las demandas sobre las tecnologías de asignación y secuenciación de tareas han crecido significativamente, particularmente para tareas grandes de VANT como la vigilancia de áreas de reconocimiento de múltiples objetivos. Si bien los métodos exhaustivos actuales ofrecen soluciones completas, enfrentan desafíos sustanciales al abordar asignaciones de tareas a gran escala debido a sus extensivas demandas computacionales. Por otro lado, aunque los algoritmos heurísticos son capaces de ofrecer soluciones satisfactorias con recursos computacionales limitados, a menudo luchan por converger en soluciones óptimas locales y se caracterizan por bajas tasas de iteración. En respuesta a estas limitaciones, este documento presenta un enfoque novedoso: el algoritmo genético paralelo mejorado por cadenas probabilísticas (PC-EPGA). El PC-EPGA combina cadenas probabilísticas con algoritmos genéticos para mejorar significativamente la calidad de las soluciones. En nuestro enfoque, cada vuelo de VANT se considera un vehículo de Dubins, incorporando restricciones cinemáticas. Además, integra algoritmos genéticos paralelos para mejorar el rendimiento del hardware y la velocidad de procesamiento. En nuestro estudio, representamos los puntos de tarea como nodos cromosómicos y construimos cadenas de conexión probabilísticas entre estos nodos. Esta estructura está diseñada específicamente para influir en los procesos de cruce y mutación del algoritmo genético al tener en cuenta tanto la cantidad de tareas asignadas a los VANT como los costos asociados a los vuelos entre tareas. Además, proponemos un operador de cruce adaptativo basado en la aptitud para eludir más eficazmente los óptimos locales. Para optimizar los parámetros del PC-EPGA, se utilizan redes bayesianas, lo que mejora la eficiencia de todo el proceso de búsqueda de parámetros. Los resultados experimentales muestran que, en comparación con los algoritmos heurísticos tradicionales, el algoritmo de cadena probabilística mejora significativamente la calidad de las soluciones y la eficiencia computacional.