Los vehículos aéreos no tripulados (VANT) desempeñan un papel cada vez más vital en la búsqueda y rescate marítimo (SAR) porque pueden ser desplegados rápidamente, cubrir grandes áreas oceánicas y operar sin exponer a las tripulaciones humanas al riesgo. En comparación con plataformas individuales, la cooperación entre múltiples VANT mejora la eficiencia en la localización de objetivos a la deriva influenciados por el viento y las corrientes. Sin embargo, los métodos de asignación existentes a menudo se centran solo en los beneficios inmediatos de la tarea y descuidan la historia de búsqueda, lo que lleva a revisitas redundantes y a una menor eficiencia general. Para abordar este problema, proponemos un marco híbrido de subasta-feromona para el SAR marítimo con múltiples VANT. El método combina una estrategia de asignación basada en subastas, que asigna tareas según la probabilidad del objetivo, la distancia y la carga de trabajo del VANT, con un mecanismo guiado por feromonas que registra la historia de visitas a través de una disminución exponencial para desincentivar búsquedas repetidas. Se construye un modelo en capas, que consiste en una capa de restricciones de espacio aéreo/clima, una capa de probabilidad del objetivo, una capa de feromonas y una capa de movimiento del VANT. Los VANT adoptan planificación de rutas A* con una política de primero el más cercano, mientras que un detector de estancamiento activa la reasignación dinámica cuando la cobertura se ralentiza. Los experimentos de simulación verifican la efectividad del enfoque propuesto. En comparación con las líneas base solo de subasta y solo de feromona, el método híbrido reduce los pasos requeridos en hasta un 27.1%, disminuye la relación de superposición a 0.135-0.164 y aumenta la velocidad de cobertura en un 64.7%. Estos resultados demuestran que la integración de subastas explícitas con memoria de feromona implícita mejora significativamente la escalabilidad, robustez y eficiencia en el SAR marítimo con múltiples VANT. La investigación futura se centrará en el modelado dinámico de deriva, el despliegue en el mundo real y la colaboración heterogénea de VANT.