La gestión de tareas de flujo de red implica la asignación eficiente y programación de tareas de flujo de datos dentro de redes satelitales dinámicas, con el objetivo de abordar efectivamente los cambios frecuentes en la topología de la red y las fluctuaciones dinámicas del tráfico. La investigación existente enfatiza principalmente la predicción y programación del tráfico utilizando modelos espaciotemporales y aprendizaje automático. Sin embargo, estos enfoques a menudo dependen de datos históricos extensos para el entrenamiento, lo que dificulta la adaptación en tiempo real a cambios rápidos en las topologías de red y patrones de tráfico en entornos satelitales dinámicos. Además, su alta complejidad computacional y lentas tasas de convergencia obstaculizan su eficiencia en redes a gran escala. Para abordar estos problemas, este artículo propone un marco de optimización colaborativa basado en la Teoría de Rutas Múltiples Codificadas (CMPT). El marco utiliza un modelo de juego de negociación de Nash para simular la competencia de recursos entre los diferentes participantes, garantizando una distribución justa de recursos y equilibrio de carga. También integra monitoreo en tiempo real del estado de la red con algoritmos de optimización, dentro de una estrategia de programación de múltiples rutas, lo que permite la selección dinámica de rutas de transmisión óptimas para acomodar los cambios frecuentes en la topología de la red y las variaciones de tráfico. Los resultados experimentales indican que el método propuesto redujo el tiempo de ejecución de la tarea de asignación de recursos en al menos un 18.03% en comparación con los métodos tradicionales y mejoró la eficiencia de programación de tareas en al menos un 14.01%. Aunque CMPT mostró una latencia ligeramente mayor en ciertos conjuntos de datos a pequeña escala en comparación con algunos algoritmos de referencia, su rendimiento sigue siendo excepcional en escenarios a gran escala y de alta dimensionalidad.