Para abordar la complejidad del modelado y los desafíos de optimización colaborativa multiobjetivo en la planificación de tareas de entrega con múltiples depósitos y vehículos aéreos no tripulados (UAV), este documento propone un marco de planificación de dos capas, que considera de manera integral las restricciones de recursos, la coordinación entre depósitos y las características de acoplamiento de la ejecución de rutas. La novedad de este trabajo radica en la integración fluida de un algoritmo genético mejorado y una optimización de enjambre adaptada dentro de una arquitectura unificada de dos niveles. La capa superior aborda el problema de asignación de tareas formulando un modelo de optimización multiobjetivo destinado a minimizar los costos económicos, los retrasos en la entrega y la cantidad de UAV desplegados. Se desarrolla el Algoritmo Genético de Clasificación No Dominada Mejorado II (ENSGA-II), que incorpora inicialización heurística, operadores de búsqueda orientados a objetivos, un mecanismo de mutación adaptativa y una estrategia de control de evolución por etapas para mejorar la viabilidad de las soluciones y la calidad de distribución. Las principales contribuciones son tres: (1) un diseño novedoso de ENSGA-II para una asignación de tareas eficiente y bien distribuida; (2) un planificador de rutas mejorado basado en PSO con inicialización caótica y parámetros adaptativos; y (3) una validación integral que demuestra ganancias sustanciales sobre métodos de referencia. La capa inferior aborda el problema de planificación de rutas estableciendo un modelo multiobjetivo que considera la longitud de la ruta, el riesgo de vuelo y la variación de altitud. Se propone un algoritmo de optimización por enjambre de partículas (PSO) mejorado al integrar inicialización caótica, coeficientes de aceleración ajustados linealmente y velocidad máxima, un mecanismo de actualización de posición basado en perturbaciones estocásticas y un peso de inercia ajustado de manera adaptativa para mejorar el rendimiento del algoritmo y la calidad de generación de rutas. Los resultados de simulación bajo escenarios de tareas típicas demuestran que el modelo propuesto logra una reducción promedio del 47.8% en costos económicos y del 71.4% en la cantidad de despliegue de UAV, al tiempo que reduce significativamente las violaciones de la ventana de entrega. El marco exhibe una excelente capacidad en optimización colaborativa multiobjetivo. El algoritmo ENSGA-II supera significativamente a los algoritmos de referencia en métricas de rendimiento, logrando un valor de hipervolumen (HV) de 1.0771 (mejorando en un 72.35% a 109.82%) y una distancia generacional invertida promedio (IGD) de 0.0295, notablemente mejor que la de los algoritmos de comparación (que varían de 0.0893 a 0.2714). El algoritmo también demuestra una superioridad abrumadora en la métrica C, lo que indica una destacada capacidad de optimización global en términos de distribución, convergencia y diversidad del conjunto de soluciones. Además, tanto el marco como el algoritmo propuestos son efectivos y viables, ofreciendo un enfoque novedoso para los problemas de entrega de logística urbana a baja altitud.