La penetración de vehículos aéreos no tripulados (VANT) es un aspecto importante de los juegos de VANT. En los últimos años, la penetración de VANT se ha resuelto generalmente utilizando métodos de inteligencia artificial como el aprendizaje por refuerzo. Sin embargo, la alta demanda de muestras del método de aprendizaje por refuerzo plantea un desafío significativo, específicamente en el contexto de los juegos de VANT. Para mejorar la utilización de muestras en la penetración de VANT, este artículo propone de manera innovadora un mecanismo de muestreo mejorado llamado división de finalización de tareas (TCD) y combina este método con el algoritmo de crítico suave (SAC) para formar el algoritmo TCD-SAC. Para comparar el rendimiento del algoritmo TCD-SAC con otros algoritmos base relacionados, este estudio construye un entorno dinámico, un juego de VANT, y realiza experimentos de entrenamiento y prueba en este entorno. Los resultados muestran que entre todos los algoritmos, el algoritmo TCD-SAC tiene la tasa de utilización de muestras más alta y los mejores resultados de penetración real, y el algoritmo tiene una buena adaptabilidad y robustez en entornos dinámicos.