1.一种飞行器群协同决策生成方法，其特征在于，包括：

当接收到飞行器群的突发状况数据时，采用预设密度峰值聚类算法计算所述突发状况数据对应的飞行器群数据集和地面控制站生成的地面控制站数据集对应的事件伪标签，得到事件伪标签集；

基于所述事件伪标签集训练初始事件抽取模型，得到目标事件抽取模型；

通过所述目标事件抽取模型分别对所述飞行器群数据集和所述地面控制站数据集进行事件抽取并进行事件比对，得到方案比对结果；

当方案比对结果为不一致时，根据所述飞行器群对应的授权数据和预设改进的多智能体深度确定性策略梯度算法进行最优指令序列选取，得到所述突发状况数据对应的飞行器群协同决策方案；

当方案比对结果为一致时，将所述飞行器群数据集中的飞行器群方案作为所述突发状况数据对应的飞行器群协同决策方案。

2.根据权利要求1所述的飞行器群协同决策生成方法，其特征在于，所述当接收到飞行器群的突发状况数据时，采用预设密度峰值聚类算法计算所述突发状况数据对应的飞行器群数据集和地面控制站生成的地面控制站数据集对应的事件伪标签，得到事件伪标签集的步骤，包括：当接收到飞行器群的突发状况数据时，获取所述飞行器群基于所述突发状况数据生成的飞行器群数据集和地面控制站生成的地面控制站数据集；

通过预设跳字模型提取所述飞行器群数据集和所述地面控制站数据集的特征向量，得到特征向量集；

采用预设密度计算公式分别计算所述特征向量集中各点对应的密度，得到密度；

所述预设密度计算公式为：

其中，ρ(xi)表示点xi的密度；k表示一个点的邻居的数量，即以欧式距离为度量标准，距离一个点最近的前k个点； 表示点xi和点xj之间的欧式距离，u表示一个特征向量集中点的维度，也就是特征的数量，g是下标，用来索引不同的特征；KNN(xi)表示在数据集中与点xi的欧式距离最小的前k个点构成的集合；i表示数据集中的第i个点xi；j表示数据集中的第j个点xj；

将所述密度代入预设相对密度计算公式计算所述点的相对密度，得到相对密度；

所述预设相对密度计算公式为：

其中，rρ(xi)表示点xi的相对密度；ρ(xi)表示点xi的密度；ρ(xj)表示点xj的密度；k表示一个点的邻居的数量，即以欧式距离为度量标准，距离一个点最近的前k个点；KNN(xi)表示在数据集中与点xi的欧式距离最小的前k个点构成的集合；i表示数据集中的第i个点xi；j表示数据集中的第j个点xj；

选取所述相对密度大于所述相对密度对应的密度平均值的点，得到多个簇中心；

按照所述簇中心，采用预设域计算公式对所述特征向量集进行划分，得到多个集合；

所述预设域计算公式为：

Dmn(xp)＝{xq|xq∈MN(xp)∨(xm∈MN(xp))^xq∈MN(xm))}；

式中，Dmn(xp)表示点xp的域；MN(xp)表示点xp所有互邻的集合；MN(xm)表示点xm所有互邻的集合；xp表示特征向量集中第p个点；xm表示特征向量集中第m个点；xq表示特征向量集中第q个点；

按照所述簇中心对应的标签分别对各所述集合对应的点设置相应的标签，得到事件伪标签集。

3.根据权利要求1所述的飞行器群协同决策生成方法，其特征在于，所述基于所述事件伪标签集训练初始事件抽取模型，得到目标事件抽取模型的步骤，包括：将所述事件伪标签集输入初始事件抽取模型，得到初始损失函数值；

按照所述初始损失函数值，微调所述初始事件抽取模型，得到中间事件抽取模型；

将所述事件伪标签集输入所述中间事件抽取模型，得到目标损失函数值；

判断所述目标损失函数值是否为预设函数值；

若是，则将所述目标损失函数值对应的中间事件抽取模型作为目标事件抽取模型；

若否，则将所述中间事件抽取模型作为初始事件抽取模型，并跳转执行所述将所述事件伪标签集输入初始事件抽取模型，得到初始损失函数值的步骤。

4.根据权利要求1所述的飞行器群协同决策生成方法，其特征在于，所述通过所述目标事件抽取模型分别对所述飞行器群数据集和所述地面控制站数据集进行事件抽取并进行事件比对，得到方案比对结果的步骤，包括：通过所述目标事件抽取模型分别对所述飞行器群数据集和所述地面控制站数据集进行事件抽取，得到飞行器群事件和地面事件；

按照触发词类别和参数相似度，将所述飞行器群事件和所述地面事件进行比对，得到事件比对结果；

采用全部所述事件比对结果，构建方案比对结果。

5.根据权利要求1所述的飞行器群协同决策生成方法，其特征在于，所述当方案比对结果为不一致时，根据所述飞行器群对应的授权数据和预设改进的多智能体深度确定性策略梯度算法进行最优指令序列选取，得到所述突发状况数据对应的飞行器群协同决策方案的步骤，包括：当方案比对结果为不一致时，判断所述飞行器群对应的授权数据是否为授权；

若是，则根据预设时间内的指令序列和所述飞行器群方案，确定所述突发状况数据对应的飞行器群协同决策方案；

若否，则按照预设改进的多智能体深度确定性策略梯度算法对所述飞行器群数据集和所述地面控制站数据集进行指令序列选取，得到目标指令序列；

判断所述目标指令序列是否为预设序列；

若是，则将所述飞行器群方案作为所述突发状况数据对应的飞行器群协同决策方案；

若否，则将所述目标指令序列作为所述突发状况数据对应的飞行器群协同决策方案。

6.根据权利要求5所述的飞行器群协同决策生成方法，其特征在于，所述根据预设时间内的指令序列和所述飞行器群方案，确定所述突发状况数据对应的飞行器群协同决策方案的步骤，包括：判断预设时间内所述飞行器群和所述地面控制站是否找到最优指令序列；

若是，则将所述最优指令序列作为所述突发状况数据对应的飞行器群协同决策方案；

若否，则将所述飞行器群方案作为所述突发状况数据对应的飞行器群协同决策方案。

7.根据权利要求5所述的飞行器群协同决策生成方法，其特征在于，所述按照预设改进的多智能体深度确定性策略梯度算法对所述飞行器群数据集和所述地面控制站数据集进行指令序列选取，得到目标指令序列的步骤，包括：采用所述飞行器群数据集和所述地面控制站数据集对应的决策准则，构建初始决策准则集合；

选取所述初始决策准则集合中优先级最高的决策准则，得到优先决策准则；

按照所述优先决策准则，采用指令获取算法分别对所述飞行器群数据集和所述地面控制站数据集对应的指令赋予预设权重，得到指令序列集；

采用预设改进的多智能体深度确定性策略梯度算法选取所述指令序列集中满足预设得分阈值的多个初始指令序列，构建初始指令队列；

选取所述初始指令队列中得分最高的初始指令序列作为中间指令序列；

根据所述飞行器群在自身约束条件和所述中间指令序列，确定目标指令序列。

8.根据权利要求7所述的飞行器群协同决策生成方法，其特征在于，所述根据所述飞行器群在自身约束条件和所述中间指令序列，确定目标指令序列的步骤，包括：判断所述飞行器群在自身约束条件下是否可以执行所述中间指令序列；

若是，则将所述中间指令序列作为目标指令序列；

若否，则将所述中间指令序列从所述初始指令队列中删除，得到中间指令队列；

判断所述中间指令队列是否为空集；

若是，则将所述优先决策准则从所述初始决策准则集合中删除，得到目标决策准则集合；

判断所述目标决策准则集合是否为空集；

若是，则将所述预设序列作为目标指令序列；

若否，则将所述目标决策准则集合作为初始决策准则集合，并跳转执行所述选取所述初始决策准则集合中优先级最高的决策准则，得到优先决策准则的步骤；

若否，则将所述中间指令队列作为初始指令队列，并跳转执行所述选取所述初始指令队列中得分最高的初始指令序列作为中间指令序列的步骤。

9.一种飞行器群协同决策生成系统，其特征在于，包括：

事件伪标签集得到模块，用于当接收到飞行器群的突发状况数据时，采用预设密度峰值聚类算法计算所述突发状况数据对应的飞行器群数据集和地面控制站生成的地面控制站数据集对应的事件伪标签，得到事件伪标签集；

目标事件抽取模型得到模块，用于基于所述事件伪标签集训练初始事件抽取模型，得到目标事件抽取模型；

方案比对结果得到模块，用于通过所述目标事件抽取模型分别对所述飞行器群数据集和所述地面控制站数据集进行事件抽取并进行事件比对，得到方案比对结果；

飞行器群协同决策第一得到模块，用于当方案比对结果为不一致时，根据所述飞行器群对应的授权数据和预设改进的多智能体深度确定性策略梯度算法进行最优指令序列选取，得到所述突发状况数据对应的飞行器群协同决策方案；

飞行器群协同决策第二得到模块，用于当方案比对结果为一致时，将所述飞行器群数据集中的飞行器群方案作为所述突发状况数据对应的飞行器群协同决策方案。

10.一种电子设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至8任一项所述的飞行器群协同决策生成方法的步骤。