1.一种基于神经网络训练学习的无人机群飞行控制方法，其特征在于，包括：S1、计算集群中每个无人机的期望水平航向；

S2、对于当前的第i架无人机，取出距离第i架无人机最近，且在其可观察范围内的K‑1架无人机与其组成群组UAVGroup；

S3、将UAVGroup的位置信息整体搬迁到整个无人机集群对应的无人机在三维空间中的取值范围；

S4、将UAVGroup的状态以及期望集群飞行速度归一化后输入神经网络，计算最优权重向量

i

S5、计算第i架无人机的控制合力u；

S6、计算第i架无人机的下一状态。

2.根据权利要求1所述的一种基于神经网络训练学习的无人机群飞行控制方法，其特征在于，步骤S4所述神经网络结构包括：四个隐藏层、一个输出层，四个隐藏层依次记为：第一隐藏层、第二隐藏层、第三隐藏层、第四隐藏层，第一隐藏层的输入作为整个神经网络的输入，第一隐藏层的输出作为第二隐藏层的输入，第二隐藏层的输出作为第三隐藏层的输入，第三隐藏层的输出作为第四隐藏层的输入，第四隐藏层的输出作为输出层的输入，输出层的输出作为整个神经网络的输出。

3.根据权利要求2所述的一种基于神经网络训练学习的无人机群飞行控制方法，其特征在于，在神经网络训练时，将集群中无人机的状态以及期望集群飞行速度作为神经网络的训练样本输入，对神经网络进行训练，从而得到训练完成神经网络。

4.根据权利要求3所述的一种基于神经网络训练学习的无人机群飞行控制方法，其特征在于，在神经网络训练时还包括将训练样本划分为训练集与验证集。

5.根据权利要求4所述的一种基于神经网络训练学习的无人机群飞行控制方法，其特征在于，神经网络训练停止的条件为：当达到训练周期数或损失函数值为0或验证集的性能自上次降低以来增加超过6次时，停止训练，得到训练完成的神经网络。

6.根据权利要求5所述的一种基于神经网络训练学习的无人机群飞行控制方法，其特征在于，还包括采用智能优化算法的解作为神经网络的标签样本，所述标签样本用于计算神经网络的损失函数。

7.根据权利要求6所述的一种基于神经网络训练学习的无人机群飞行控制方法，其特征在于，所述智能优化算法采用多目标优化的目标函数，具体包括：第一目标函数 用于表示实际飞行速度偏离期望集群飞行速度的程度，计算表达式如下：

其中， 表示第i架无人机x方向速度， 表示第i架无人机y方向速度， 表示第i架无人机x方向的期望集群飞行速度， 表示第i架无人机y方向的期望集群飞行速度，e

So表示在期望飞行速度V的水平方向上无人机集群前方存在无人机感知距离内的障碍物集合， 表示k取x或y时对应的 或第二目标函数 用于表示无人机集群形成几何结构的程度以及无人机之间水平速度的一致性程度，计算表达式如下：ij

其中，Dd是无人机之间期望保持的水平间距，d 是无人机i与j之间的距离， 第j架无人机水平方向速度， 是第i架无人机水平方向速度，Dc是无人机最大水平通信距离，j是满足与无人机i距离小于或等于Dc的无人机。