A medida que las áreas de aplicación de los vehículos aéreos no tripulados (VANT) continúan expandiéndose, la importancia de la asignación de tareas de VANT se vuelve cada vez más evidente. Un método de asignación de tareas de VANT altamente efectivo y eficiente puede mejorar significativamente la calidad de la finalización de tareas. Sin embargo, los algoritmos heurísticos tradicionales a menudo tienen un rendimiento deficiente en entornos complejos y dinámicos, y los algoritmos basados en subastas existentes suelen fallar en garantizar resultados de asignación óptimos. Por lo tanto, este documento propone un modelo matemático más riguroso y completo para la asignación de tareas de VANT. Al introducir variables de decisión de ruta de tarea, logramos una descripción matemática de las rutas de tarea de VANT y proponemos restricciones de acción colaborativa. Para equilibrar los beneficios y la eficiencia de la asignación de tareas, introducimos un nuevo método: el Algoritmo de Revisión de Racionalidad de Tareas Basado en Muestreo Adaptativo (ASTRRA). En el ASTRRA, para abordar el problema de que las tareas de alto valor sean fácilmente pasadas por alto cuando disminuye la probabilidad de muestreo, proponemos una estrategia de muestreo adaptativo. Esta estrategia aumenta la probabilidad de muestreo de objetivos de alto valor, asegurando un equilibrio entre la eficiencia computacional y la maximización del valor de la tarea. Para manejar los problemas de coherencia en las rutas de tarea de VANT, proponemos un método de revisión y clasificación de tareas. Este método implica revisar problemas en las rutas de tarea de VANT y realizar subastas independientes clasificadas, mejorando así el valor general de la asignación de tareas. Además, para resolver los problemas de cruce entre las rutas de tarea de VANT, introducimos una estrategia de intercambio de rutas de cruce, optimizando aún más el esquema de asignación de tareas y mejorando el valor general. Los resultados experimentales demuestran que el ASTRRA exhibe un excelente rendimiento en diversas escalas de tareas y escenarios dinámicos, mostrando una fuerte robustez y mejorando efectivamente los resultados de la asignación de tareas.