La amenaza a las plataformas navales por parte de los sistemas de misiles está aumentando debido a los recientes avances en la tecnología de buscadores de radar, que han mejorado significativamente la precisión y efectividad del apuntado de misiles. En escenarios donde una plataforma naval con maniobrabilidad limitada enfrenta ataques en salva, la importancia de una estrategia de defensa efectiva se vuelve crucial para garantizar la protección de la plataforma. En este estudio, presentamos un enfoque de despliegue de señuelos basado en el aprendizaje por refuerzo multiagente que emplea seis señuelos para aumentar la probabilidad de supervivencia de una plataforma naval contra ataques de misiles en salva. Nuestro enfoque implica separar los señuelos en dos grupos, cada uno compuesto por tres señuelos. Posteriormente, cada grupo se asigna a una amenaza de misil relacionada. Esto se logra entrenando los señuelos con el algoritmo de aprendizaje por refuerzo profundo multiagente. Para comparar el enfoque propuesto a través de diferentes algoritmos, utilizamos dos algoritmos distintos para entrenar los señuelos: el gradiente de política determinista profundo multiagente (MADDPG) y el gradiente de política determinista profundo multiagente de doble retardo (MATD3). Tras el entrenamiento, los señuelos aprenden a formar grupos y establecer configuraciones de formación efectivas dentro de cada grupo para asegurar una coordinación óptima. Evaluamos la estrategia de despliegue de señuelos propuesta utilizando parámetros que incluyen el ángulo de despliegue de los señuelos y la velocidad máxima de los señuelos. Nuestros hallazgos indican que los señuelos posicionados en el mismo lado superan a aquellos posicionados en lados diferentes en relación con la plataforma objetivo. En general, MATD3 tiene un rendimiento ligeramente mejor que MADDPG. Los señuelos entrenados con MATD3 logran configuraciones de formación más exitosas que aquellos entrenados con el método MADDPG, lo que explica esta mejora.