一种面向动态网络结构的联邦学习优化方法

本发明属于智能交通技术领域，公开了一种面向动态网络结构的联邦学习优化方法，包括以下步骤：获取智能交通网络的多个优化目标和联邦学习训练的目标函数；以联邦学习为基础训练框架，在此之上融入进化式优化过程，使得训练过程中能够动态探索四个目标之间的最优平衡解；训练完成后，在服务端引入分层异步聚合机制，对深层模型参数的聚合更新频率在整个通信轮次上进行平均化的稀疏处理；输出智能交通网络的优化结果。本申请显著提升联邦学习多目标优化算法的性能，有利于算法寻找高质量的最优解集，有效地提升算法效率，降低通信成本与时间成本，提高了资源利用效率。