La asignación de tareas es un problema desafiante en múltiples misiones de vehículos aéreos no tripulados (UAV). En este artículo, nos enfocamos en el problema de asignación de tareas para un ataque de saturación de enjambre de UAV, en el que se desarrolla un marco de aprendizaje profundo por refuerzo (DRL). Específicamente, primero construimos un modelo matemático para formular el problema de asignación de tareas para un ataque de saturación de enjambre de UAV y lo consideramos como un Proceso de Decisión de Markov (MDP). Luego diseñamos una red neuronal de política utilizando el mecanismo de atención. También proponemos un algoritmo de entrenamiento basado en el método de gradiente de política para que nuestro agente pueda aprender una política efectiva de asignación de tareas. Los resultados experimentales han demostrado que nuestro método DRL puede generar soluciones de alta calidad para diferentes escalas de problemas, lo que cumple con los requisitos de tiempo real y flexibilidad en la situación real.