一种基于DRL智能体联邦图学习架构的云际客户端选择方法

本发明提供了一种基于DRL智能体联邦图学习架构的云际客户端选择方法，实施过程包括：使DRL智能体基于FL‑DDPG算法确定每一轮参与模型训练的被选中客户端；被选中客户端基于本地数据集进行模型训练，并将更新后的模型参数上传至服务器；服务器接收所有被选中客户端上传的模型参数，采用联邦平均方法进行模型参数聚合并更新全局模型。本发明所提算法充分考虑了现实场景中普遍存在的终端设备异构和数据异构问题，具有良好的通用性和可扩展性，适用于类似的边缘计算环境下的联邦学习任务，为在真实网络边缘侧的联邦学习部署提供了优化路径，拓展了深度强化学习在联邦系统资源调度中的应用前景。