Proporcionar servicios de comunicación robustos a los usuarios móviles (MUs) es una tarea desafiante debido a la dinámica de los MUs. Los vehículos aéreos no tripulados (UAVs) y la computación en el borde móvil (MEC) se utilizan para mejorar la conectividad al asignar recursos a los MUs de manera más eficiente en un entorno dinámico. Sin embargo, el consumo de energía y los problemas de duración en los UAVs limitan severamente los recursos y los servicios de comunicación. En este documento, proponemos un esquema de asignación de recursos cooperativos dinámicos para redes inalámbricas habilitadas por MEC-UAV llamado optimización conjunta de trayectoria, altitud, retraso y potencia (JO-TADP) utilizando aprendizaje federado anárquico (AFL) y otros algoritmos de aprendizaje para mejorar la tasa de datos, la tasa de uso y la eficiencia de asignación de recursos. Inicialmente, los MEC-UAVs se posicionan de manera óptima en función de la densidad de los MUs utilizando el algoritmo de optimización de ballenas beluga (BLWO). Se realiza un agrupamiento óptimo en términos de división y fusión utilizando el algoritmo de agrupamiento de picos de densidad de triple modo (TM-DPC) basado en la movilidad del usuario. Además, la trayectoria, altitud y tiempo de espera de los MEC-UAVs se predicen y optimizan utilizando el algoritmo de memoria a corto y largo plazo de atención interna auto-simulada (SSIA-LSTM). Finalmente, los MUs y los MEC-UAVs juegan juegos de subasta basados en las solicitudes clasificadas, utilizando una red de pirámide de características de atención a escala cruzada basada en AFL (CSAFPN) y algoritmos de aprendizaje profundo Q mejorado (EDQN) para la asignación dinámica de recursos. Para validar el enfoque propuesto, nuestro modelo de sistema ha sido simulado en el Simulador de Redes 3.26 (NS-3.26). Los resultados demuestran que el trabajo propuesto supera los trabajos existentes en términos de conectividad, eficiencia energética, asignación de recursos y tasa de datos.