La exploración colaborativa en entornos que involucran múltiples vehículos aéreos no tripulados (UAV) y vehículos terrestres no tripulados (UGV) representa una dirección de investigación crucial en sistemas multiagente. Sin embargo, todavía hay una falta de investigación en las áreas de asignación de tareas de detección de múltiples objetivos y planificación de rutas de enjambre, ambas de las cuales juegan un papel vital en la mejora de la eficiencia de la exploración del entorno y en la reducción del consumo de energía. En este artículo, proponemos un modelo de tarea de detección de múltiples objetivos colaborativo aire-tierra basado en Programación Lineal Entera Mixta (MILP). Para hacer que el modelo sea más adecuado para situaciones reales, se añaden al modelo restricciones cinemáticas de los UAV y UGV, restricciones dinámicas de evitación de colisiones, restricciones de asignación de tareas y restricciones de evitación de obstáculos. También establecemos una función objetivo que considera de manera integral el consumo de tiempo, el consumo de energía y la suavidad de la trayectoria para mejorar la autenticidad del modelo y lograr un propósito más realista. Mientras tanto, se propone un método de Ramificación y Acotación combinado con el Algoritmo Genético Mejorado (IGA-B&B) para resolver la función objetivo, y se pueden obtener la asignación óptima de tareas y la ruta óptima de detección de múltiples objetivos colaborativa aire-tierra. Se establece un entorno de simulación con múltiples agentes, múltiples obstáculos y múltiples puntos de tarea. Los resultados de la simulación muestran que el algoritmo IGA-B&B propuesto puede reducir el costo de tiempo de cálculo en un 30% en comparación con el método tradicional de Ramificación y Acotación (B&B). Además, se lleva a cabo un experimento en un entorno al aire libre, lo que valida aún más la efectividad y viabilidad del método propuesto.