Los drones han surgido como una infraestructura crítica para mejorar la eficiencia logística en la emergente economía de baja altitud, particularmente en la investigación colaborativa entre vehículos y drones. Sin embargo, la investigación existente a menudo descuida el impacto de la asignación justa de tareas en el equilibrio de carga de trabajo entre formaciones en escenarios de enrutamiento a gran escala, lo que compromete la calidad del servicio. Para abordar esta brecha, introducimos el Problema de Enrutamiento Colaborativo con Múltiples Vehículos y Drones con Paquetes a Gran Escala (MCRPLP), formulado como un modelo biobjetivo que busca minimizar tanto el costo operativo como el desequilibrio de carga de trabajo. Se desarrolla un Algoritmo de Optimización Multiobjetivo Asistido por Estrategia Híbrida (HSMOA) para superar las limitaciones de los métodos existentes, que luchan por equilibrar la calidad de la solución y la eficiencia computacional en la resolución de enrutamientos a gran escala. Basado en un Algoritmo Genético de Clasificación No Dominada (NSGA-II), el HSMOA integra una estrategia heurística de asignación de tareas que reasigna de manera codiciosa paquetes entre clústeres adyacentes. Luego, al integrar un modelo de evaluación de superioridad de frente de Pareto, se diseña una estrategia de suplemento de individuos élite para podar dinámicamente subespacios de soluciones subóptimas mientras se mejora la búsqueda dentro de subespacios de frente de Pareto de alta calidad en HSMOA. Experimentos extensivos demuestran la efectividad del HSMOA en términos de calidad de solución y eficiencia computacional en comparación con múltiples métodos de vanguardia. También se proporciona un análisis de sensibilidad adicional y perspectivas gerenciales derivadas de un caso del mundo real para apoyar la implementación logística práctica.