La programación de mantenimiento basado en condiciones (CBM) de una flota de aeronaves en un entorno disruptivo, considerando los pronósticos de salud para un conjunto de sistemas, es un problema combinatorio muy complejo, que se vuelve más desafiante a la luz de la incertidumbre incluida en los pronósticos de salud. Este tipo de problema se encuentra dentro de la amplia categoría de problemas de programación con recursos limitados bajo incertidumbre y a menudo se resuelve utilizando una formulación de programación lineal entera mixta (MILP). Si bien un marco MILP es muy prometedor, el tamaño del problema puede escalar exponencialmente con el número de aeronaves consideradas y las tareas consideradas, lo que lleva a costos computacionales significativamente altos. Los avances más recientes en inteligencia artificial han demostrado la capacidad de los algoritmos de aprendizaje por refuerzo profundo (DRL) para aliviar esta maldición de la dimensionalidad, ya que una vez que el agente DRL está entrenado, puede lograr la optimización en tiempo real del programa de mantenimiento. Sin embargo, no hay garantía de optimalidad. Estos méritos comparativos de una formulación MILP y una formulación DRL para el problema de programación de mantenimiento de flotas de aeronaves no se han discutido en la literatura. Este estudio es una respuesta a esta brecha de investigación. Realizamos una comparación de un modelo de programación MILP y un modelo de programación DRL, que se utilizan para derivar el programa de mantenimiento óptimo para varios escenarios de mantenimiento de flotas de aeronaves de diferentes tamaños en un entorno disruptivo, considerando los pronósticos de salud y los recursos disponibles para la ejecución de cada tarea. La calidad de las soluciones se evalúa en función de cuatro objetivos de planificación, definidos de acuerdo con la práctica real de las aerolíneas. Los resultados muestran que el enfoque DRL logra mejores resultados con respecto a la programación de tareas impulsadas por pronósticos y requiere menos tiempo computacional, mientras que el modelo MILP produce programas de mantenimiento más estables e induce menos tiempo de inactividad en mantenimiento. En general, la comparación proporciona valiosas ideas para la integración de pronósticos de salud en la práctica de mantenimiento de aerolíneas.