Para superar los problemas de los algoritmos tradicionales de asignación de objetivos distribuidos en términos de falta de prioridad estratégica de los objetivos, mala escalabilidad y robustez, este documento propone un algoritmo de optimización de estrategia proximal que combina la evaluación de amenazas y el mecanismo de atención (TAPPO). Basado en el marco de entrenamiento distribuido, el algoritmo integra una evaluación de amenazas y una estrategia de atención dinámica y diseña una función de recompensa dinámica basada en la tasa de aciertos actual del dron y la relación de beneficios del misil para mejorar la capacidad de exploración y escalabilidad del algoritmo. A través de un experimento de confrontación multi-UAV 8vs8 en un entorno de simulación de gemelos digitales, los resultados muestran que el agente que utiliza el algoritmo TAPPO para la asignación de objetivos derrota a la máquina de estados con una tasa de victorias del 85% y es significativamente mejor que otros algoritmos de asignación de objetivos actuales, verificando la efectividad del algoritmo.