La asignación de objetivos y la planificación de trayectorias son dos componentes cruciales de la planificación de misiones para enjambres de vehículos aéreos no tripulados (UAV). En misiones a gran escala, la importancia de la eficiencia en la planificación se vuelve más pronunciada. Sin embargo, los algoritmos de planificación existentes basados en la computación evolutiva y la inteligencia de enjambre enfrentan desafíos formidables en términos de eficiencia y efectividad. Además, la extensa planificación de trayectorias involucrada es un factor significativo que afecta la eficiencia. Por lo tanto, este documento propone un método dedicado para la planificación de misiones a gran escala. En primer lugar, para evitar operaciones extensas de planificación de trayectorias, este documento sugiere utilizar un algoritmo de aprendizaje automático para establecer un modelo predictivo de la longitud de la trayectoria. Para garantizar la precisión predictiva, se propone un algoritmo de conjunto basado en la regresión de procesos gaussianos (GPR). En segundo lugar, para asegurar la eficiencia y efectividad de las asignaciones de objetivos en misiones a gran escala, este documento se inspira en una búsqueda codiciosa y propone un algoritmo de asignación de objetivos simple pero efectivo. Este algoritmo puede manejar de manera efectiva un gran número de variables de decisión y restricciones involucradas en misiones a gran escala. Finalmente, validamos la efectividad del método propuesto a través de 15 misiones simuladas de diferentes escalas. Entre las 10 misiones de mediana a gran escala, nuestro método logró los mejores resultados en 9 de ellas, demostrando la ventaja competitiva de nuestro método en misiones a gran escala. Los resultados comparativos demuestran la ventaja de los métodos propuestos desde las perspectivas de predicción y planificación de misiones.