一种基于强化学习的联邦学习客户端选择方法及联邦学习系统

本发明公开了一种基于强化学习的联邦学习客户端选择方法及联邦学习系统。所述方法包括：客户端进行本地探测训练，收集损失和延迟数据等相关数据；中央服务器基于客户端的数据分布，使用均值漂移聚类划分客户端，将每个簇视为一个独立的智能体；智能体基于多维状态信息动态选择客户端，采用探索策略优化选择；客户端本地训练后上传模型更新；中央服务器聚合更新，智能体根据反馈调整策略，通过多目标奖励函数优化客户端选择，最大化模型收敛速度并平衡通信与计算开销。利用本发明的方法，系统能够在数据异质性、计算资源限制和通信延迟等挑战的环境下，智能选择客户端，优化联邦学习的训练效率，并提升全局模型的性能和泛化能力。