Hoy en día, los enjambres de UAV pequeños con la capacidad de llevar municiones económicas han sido muy efectivos en misiones de ataque contra objetivos en tierra en el campo de batalla. La asignación efectiva de tareas es crucial para mejorar la efectividad operativa general de estos enjambres de UAV. Los métodos heurísticos tradicionales para abordar el problema de la asignación de tareas a menudo se basan en reglas hechas a mano, lo que puede limitar su rendimiento para tareas complicadas. En este artículo, se presenta un algoritmo de Optimización por Enjambre de Partículas Discretas NeuroSelect (NSDPSO) para el problema de Asignación de Tareas Multi-UAV (MUTA). Específicamente, se propone un modelo basado en Transformer para aprender a diseñar Heurísticas NeuroSelect para DPSO y mejorar el proceso evolutivo. La iteración de DPSO se modela como un Proceso de Decisión de Markov (MDP) descompuesto, y se emplea un algoritmo de aprendizaje por refuerzo para entrenar los parámetros de la red. Se proporcionan los resultados de la simulación para verificar la efectividad del método propuesto.