一种面向DT-FL卫星健康管理的智能边缘选择与资源分配方法

本发明提供了一种面向DT‑FL卫星健康管理的智能边缘选择与资源分配方法，包括在每轮迭代中对卫星进行分簇，构建边缘选择模型；然后，在边缘选择模型基础上构建计算和通信模型，建立以最小化累积训练时延和能耗为目标的边缘选择和资源分配联合优化模型，并转化为部分可观测马尔可夫决策过程；最终，提出MMP‑DQN算法，用于学习近似最优的边缘选择和资源分配策略。本发明支持LEO卫星选择通过本地训练或构建数字孪生体训练参与联邦学习，提升训练灵活性与联邦学习效率。本发明能在计算、存储、通信资源受限的情况下，通过科学的资源调度，实现模型精度提升与训练时延能耗之间的最优平衡；本发明可处理大规模状态空间、实现训练个性化。