Este documento se centra en reducir los retrasos de ejecución de tareas de computación dinámica en sistemas de computación en la nube móvil propensos a fallos asistidos por UAV (FP-MEC), que combinan tecnologías de computación en la nube móvil (MEC) y virtualización de funciones de red (NFV). FP-MEC es adecuado para cumplir con los requisitos del Internet Industrial (IIN) como la privacidad de datos, baja latencia y escalabilidad industrial de bajo costo en escenarios específicos. Sin embargo, la fiabilidad de las funciones de red virtuales (VNF) desplegadas en UAV podría afectar el rendimiento del sistema. Por lo tanto, este documento propone el algoritmo de optimización de programación de tareas dinámicas (DTSOA) basado en el aprendizaje por refuerzo profundo (DRL) para el diseño de asignación de recursos. El problema de optimización de retraso de ejecución formulado se describe como un problema de programación lineal entera y es un problema NP-duro. Para superar el problema intratable, este documento lo discretiza en una serie de problemas de optimización de un solo intervalo de tiempo. Además, se mejora el rigor experimental construyendo un sistema de actualización del estado del servidor en tiempo real para calcular la situación de carga del servidor en tiempo real y la probabilidad de fallo. El análisis teórico y los experimentos muestran que el DTSOA tiene mejores perspectivas de aplicación que el Q-learning y el método de búsqueda reciente (RSM), y está más cerca del método de búsqueda de recorrido (TSM).