一种数据和资源异构感知的集群联邦学习设备选择方法

本发明公开了一种数据和资源异构感知的集群联邦学习设备选择方法。该方法为：首先建立集群联邦学习设备选择系统模型；然后设计联邦学习集群模型和通信模型；接着提出一个最小化模型损失和系统时延的集群设备选择优化问题；最后将优化问题描述成马尔可夫决策过程并用深度强化学习技术对集群设备选择进行求解。本发明在复杂动态的网络环境中设备信息缺乏的情况下，基于用户模型参数进行设备集群有效缓解数据异构问题，并以最小化模型损失和系统时延为目标进行集群联邦学习设备选择的设计，抵抗集群内部设备资源差异性，综合考虑数据和资源异构，更好地提高联邦学习效率。