Los enjambres de UAV han atraído gran atención y se espera que se utilicen en escenarios, como la búsqueda y el rescate, que requieren que se completen muchos trabajos urgentes en un tiempo mínimo por múltiples vehículos. Para misiones complejas con restricciones estrictas, la asignación cuidadosa de tareas es inseparable de la programación de estas tareas, y se requiere programación distribuida de múltiples tareas (MTDS). El algoritmo de Impacto en el Rendimiento (PI) es una excelente solución para MTDS, pero sufre de la solución subóptima causada por las heurísticas para la selección de tareas locales y el problema de interbloqueo que puede caer en un ciclo infinito de intercambio de la misma tarea. En este artículo, mejoramos el algoritmo PI integrando una nueva estrategia de eliminación de tareas y un mecanismo de predicción de conflictos en la fase de eliminación de tareas y la fase de inclusión de tareas, respectivamente. Específicamente, la estrategia de eliminación de tareas resulta en una mejor exploración de la inclusión de más tareas que el PI original al liberar más espacio en el programador local, mejorando la solución subóptima causada por las heurísticas para la selección de tareas locales, como se hace en PI. Además, diseñamos un mecanismo de predicción de conflictos que simula vehículos adyacentes realizando operaciones de inclusión como criterio para la inclusión de tareas locales. Por lo tanto, puede reducir la tasa de interbloqueo y el número de iteraciones del algoritmo MTDS. Además, al combinar la pila de protocolos con el modelo de transmisión física, se construye una plataforma de simulación de red ad-hoc, que está más cerca de la red del mundo real y sirve como el entorno de apoyo para probar los algoritmos MTDS. Basado en la plataforma de simulación de red ad-hoc construida, demostramos la ventaja del algoritmo propuesto sobre el algoritmo PI original a través de simulaciones de Monte Carlo de tareas de búsqueda y rescate. Los resultados muestran que el algoritmo propuesto puede reducir el costo promedio de tiempo, aumentar el número total de asignaciones bajo la mayoría de las distribuciones aleatorias de vehículos-tareas y reducir significativamente la tasa de interbloqueo y el número de rondas de iteración.