一种面向边缘智能网络的联邦学习资源分配优化方法及系统

本发明公开了一种面向边缘智能网络的联邦学习资源分配优化方法及系统，其中，方法包括：首先，考虑边缘服务器和移动设备之间的竞争关系，基于激励机制设计了一个两阶段的Stackelberg博弈，然后建立关联能耗和时延的利润最大化为目标的异构移动设备联邦学习资源分配模型，最后基于两层深度强化学习方法求解最优方案，再依据总体最优方案进行异构和动态设备的资源分配。本发明能够根据设备的反馈动态调整资源分配方案，充分考虑移动设备的计算能力、能耗和网络状态，提高边缘服务器和参与设备的积极性，避免资源过度消耗或浪费，能够有效解决边缘智能网络中资源受限的移动设备在联邦学习过程中的资源分配问题。