La investigación existente ha logrado avances significativos en el control de formaciones de UAV, particularmente en la localización activa y ciertos métodos pasivos. Sin embargo, estos enfoques enfrentan limitaciones sustanciales en entornos electromagnéticamente silenciosos, a menudo basándose en suposiciones fuertes como posiciones de emisores completamente conocidas y estacionarias. Para superar estos desafíos, este documento propone un marco integral para la localización pasiva solo por dirección y el ajuste de formaciones de UAV bajo estrictas restricciones de silencio electromagnético. Desarrollamos sistemáticamente tres modelos centrales: (1) un modelo de triangulación geométrica para escenarios con tres emisores conocidos, que permite la ubicación única de objetivos; (2) un mecanismo de identificación jerárquica que aprovecha una base de datos de ángulos para resolver la ambigüedad de etiquetas cuando algunos emisores son desconocidos; y (3) una estrategia cooperativa cíclica, Perceive-Explore-Judge-Execute (PEJE), optimizada a través de un algoritmo genético mejorado con búsqueda de vecindario discreto adaptativa (GA-IADNS), para el ajuste dinámico de formaciones. Simulaciones extensivas demuestran que nuestros métodos propuestos exhiben una gran robustez, rápida convergencia y alta precisión de ajuste a través de diversas desviaciones iniciales. Específicamente, después del ajuste, la desviación radial máxima de todos los UAV desde la posición deseada es inferior a 0.0001 m, y la desviación angular máxima está dentro de 0.00013 grados; incluso para el escenario de desviación inicial del 30%R, el error posicional final sigue siendo negligible. Además, experimentos comparativos con un Algoritmo Genético estándar (GA) confirman que GA-IADNS logra un rendimiento superior: alcanza una aptitud promedio máxima estable en la sexta generación (frente a la falta de convergencia obvia de GA incluso después de 20 generaciones), reduce el tiempo de convergencia en más del 70%, y mejora la precisión final de ajuste en más del 95% en relación con GA. Estos resultados mejoran significativamente la capacidad de control colaborativo autónomo de las formaciones de UAV en condiciones electromagnéticas desafiantes.