Bajo condiciones complejas, la capacidad de control colaborativo de los enjambres de UAV se considera clave para garantizar la estabilidad y seguridad de los vuelos en enjambre. Sin embargo, en entornos complejos como la lucha contra incendios forestales, los métodos tradicionales de control de enjambres tienen dificultades para satisfacer las necesidades diferenciadas de los UAV con diferencias en las características de comportamiento y restricciones acopladas mutuamente, lo que da lugar al problema de que los ajustes y la retroalimentación a la política de control durante el entrenamiento son propensos a juicios erróneos, lo que lleva a una disonancia en la toma de decisiones. Este estudio propuso un método de control de enjambre para la colaboración complementaria de UAV bajo condiciones complejas. El método primero genera datos de entrenamiento a través de la interacción entre los enjambres de UAV y el entorno; luego captura los patrones potenciales de los comportamientos de los UAV, extrae sus características de comportamiento diferenciadas y explora escenarios de combinación de comportamientos diversificados con ventajas complementarias; en consecuencia, se realizan asignaciones de comportamiento dinámicas de acuerdo con las diferencias en la precisión de percepción y capacidad de acción para lograr una cooperación colaborativa; y finalmente, optimiza los parámetros de la red neuronal a través del aprendizaje del comportamiento para mejorar la política de toma de decisiones. Según los resultados experimentales, el método de control de enjambre de UAV propuesto en este estudio demuestra una alta estabilidad e integridad de formación al abordar las misiones colaborativas de múltiples tipos de UAV.