一种感知数据异构的联邦学习资源分配方法

本发明公开了一种感知数据异构的联邦学习资源分配方法，该方法首先建立以基站为中心的联邦学习FL的场景模型，根据客户端数据分布情况和参与情况，建立客户端评估模型。其次根据基站与客户端节点之间的关系，建立时间模型和能量模型。然后以FL的客户端评估模型和过程中的能量以及时间开销作为优化目标，构建资源分配的优化问题。最后根据优化问题，构建马尔可夫决策模型，采用双延迟深度确定性策略梯度算法TD3，获得当前最优客户端选择策略以及资源分配方案，并且不断训练更新TD3模型，获得最优客户端选择策略以及资源分配方案。本发明保证了FL的精确度，有效降低了FL客户端所需要的时间以及能量。