Los vehículos aéreos no tripulados (VANT), comúnmente conocidos como drones, ofrecen una flexibilidad sin precedentes para misiones complejas como la vigilancia de áreas, la búsqueda y rescate, y la inspección cooperativa. Este documento presenta un marco de evaluación unificado para la comparación de algoritmos de asignación de tareas centralizados y distribuidos, específicamente adaptados a operaciones con múltiples VANT. Primero contextualizamos el problema clásico de asignación (PA) bajo las restricciones de misión de los VANT, incluyendo el tiempo de vuelo, la capacidad de energía de propulsión y el rango de comunicación, y evaluamos solucionadores óptimos uno a uno, incluyendo el algoritmo húngaro, el algoritmo de subasta de Bertsekas y una formulación de flujo máximo de costo mínimo. Para reflejar los entornos dinámicos e inciertos que enfrentan las flotas de VANT, extendemos nuestro análisis a métodos de asignación de tareas distribuidas para múltiples VANT (MUTA). En particular, examinamos el algoritmo de paquetes basado en consenso (CBBA) y una estrategia de refinamiento de subasta distribuida 2-opt, ambos de los cuales negocian iterativamente paquetes de tareas entre los VANT para acomodar llegadas de tareas en tiempo real y conectividad intermitente. Finalmente, esbozamos cómo se puede incorporar el aprendizaje por refuerzo (RL) para aprender políticas adaptativas que equilibren la eficiencia energética y el éxito de la misión bajo diversas condiciones de viento y campos de obstáculos. A través de simulaciones que incorporan modelos de costo específicos de VANT y topologías de comunicación, evaluamos el tiempo de finalización de la misión de cada algoritmo, el gasto total de energía, la sobrecarga de comunicación y la resiliencia a fallos de los VANT. Nuestros resultados destacan la compensación entre la optimalidad estricta, que es adecuada para flotas pequeñas en escenarios estáticos, y la coordinación escalable y robusta, necesaria para grandes despliegues dinámicos de múltiples VANT.