Una red celular basada en vehículos aéreos no tripulados (UAV) en una banda de frecuencia de onda milimétrica (mmWave) aborda las necesidades de cobertura flexible y alta tasa de datos en la red de próxima generación. Sin embargo, el uso de una amplia gama de antenas y la mayor pérdida de propagación en las redes mmWave resultan en un alto consumo de energía y los UAV están limitados por baterías a bordo de baja capacidad. Para reducir el costo energético de las redes mmWave asistidas por UAV, la recolección de energía (EH) es una solución prometedora. Sin embargo, es un desafío mantener una conectividad fuerte en las redes celulares terrestres basadas en UAV debido a la naturaleza aleatoria de la energía renovable. Con esta motivación, este artículo presenta una asignación inteligente de recursos utilizando un optimizador de ecosistemas artificial con una técnica de aprendizaje profundo (IRA-AEODL) en redes UAV. La técnica IRA-AEODL presentada tiene como objetivo asignar de manera efectiva los recursos en redes inalámbricas de UAV. En este caso, la técnica IRA-AEODL se centra en la maximización de la utilidad del sistema para todos los usuarios, la asociación de usuarios combinada, la programación de energía y el diseño de trayectorias. Para asignar de manera óptima las políticas de UAV, se utiliza el modelo de autoencoder disperso apilado (SSAE) en las redes UAV. Para el proceso de ajuste de hiperparámetros, se utiliza el algoritmo AEO para mejorar el rendimiento del modelo SSAE. Los resultados experimentales de la técnica IRA-AEODL se examinan bajo diferentes aspectos y los resultados indican el mejor rendimiento del enfoque IRA-AEODL en comparación con los enfoques recientes de vanguardia.