La asignación eficiente de tareas sigue siendo un desafío fundamental en los sistemas multiagente, particularmente bajo restricciones de recursos y despliegues a gran escala. Los métodos clásicos, incluidos los mecanismos basados en el mercado, las técnicas de optimización centralizada y las estrategias de teoría de juegos, se han aplicado ampliamente para abordar el problema de asignación de tareas en entornos multiagente. Si bien son efectivos en entornos de tamaño pequeño a mediano, estos enfoques a menudo encuentran limitaciones en términos de escalabilidad, adaptabilidad a entornos dinámicos y eficiencia computacional a medida que aumenta el tamaño del problema. Para abordar estas limitaciones, este estudio introduce un sistema de optimización de políticas proximales aumentado con un algoritmo genético (GAPPO) que integra la búsqueda evolutiva con el aprendizaje por refuerzo profundo. GAPPO permite a los agentes desarrollar estrategias de asignación de tareas energéticamente eficientes al percibir estados ambientales y optimizar sus acciones a través de actualizaciones iterativas de políticas. El componente genético promueve una exploración de políticas más amplia más allá de los óptimos locales, mientras que la optimización de políticas proximales asegura la estabilidad de las actualizaciones y la eficiencia de las muestras. Para evaluar el algoritmo GAPPO propuesto, se realizan simulaciones extensas en cuatro escenarios, siendo el más grande el que involucra 50 tareas y 500 agentes. Los resultados demuestran que GAPPO logra un rendimiento superior en comparación con los métodos de referencia, particularmente en la reducción del tiempo de finalización de tareas. Estos hallazgos destacan la robustez y eficiencia del algoritmo en el manejo de tareas de coordinación a gran escala y computacionalmente intensivas.