买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华南理工大学申请的专利一种基于资源约束的异构联邦学习优化方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119886385B 。

龙图腾网通过国家知识产权局官网在2025-12-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411916804.6，技术领域涉及：G06N20/00；该发明授权一种基于资源约束的异构联邦学习优化方法及系统是由汪秀敏;陈邱健设计研发完成，并于2024-12-24向国家知识产权局提交的专利申请。

本一种基于资源约束的异构联邦学习优化方法及系统在说明书摘要公布了：本发明公开的一种基于资源约束的异构联邦学习优化方法及系统，包括如下步骤：通过联邦学习训练机器学习模型，服务器初始化或聚合全局模型，对客户端的训练强度进行分配，将训练强度分配到被选中参与训练的客户端；服务器通过训练深度强化学习模型分配训练中的所有客户端的总训练强度，通过确定性分配算法来分配各个参与训练的客户端的训练强度；客户端在完成本地训练后，将训练的模型参数和深度强化学习状态传到服务器，根据历史训练信息对深度强化学习模型进行更新。本发明在服务器有计算资源预算补偿的约束下，权衡联邦学习中异构设备的计算时延、通信时延、计算资源、模型收敛速度，提升训练速度，并减少计算资源预算的消耗和训练时延。

本发明授权一种基于资源约束的异构联邦学习优化方法及系统在权利要求书中公布了：1.一种基于资源约束的异构联邦学习优化方法，其特征在于，包括如下步骤： S1、确定参数服务器任务，初始化联邦学习的全局模型参数和深度强化学习模型； S2、采用深度强化学习模型学习优化任务信息，采用近端策略优化算法对深度强化学习模型进行训练； S3、参数服务器通过深度强化学习模型输出参与训练客户端的总训练强度，根据确定性算法分配各参与训练客户端的训练强度； S4、客户端通过本地数据进行训练，将训练好的本地模型参数更新传到参数服务器，并将深度强化学习模型的信息状态传到参数服务器； S5、参数服务器根据历史信息对深度强化学习模型进行更新，并聚合各客户端上传的参数，进行全局模型更新； 在深度强化学习模型输出一轮的总训练强度后，通过确定性算法分配到各个客户端，确定性算法的优化目标为： 其中，表示客户端ci在第k个训练轮的训练迭代次数，Bk表示在第k个训练轮用于激励客户端参与训练的预算，Tk为第k轮的训练时间，α′表示用于平衡预算消耗和训练时延的重要性的超参数； 约束限制为： 其中Ck表示在第k个训练轮被服务器选中参与训练的客户端集合，Bk′表示在第k′个训练轮消耗的预算，表示正整数，为客户端ci在第k个训练轮一次本地训练迭代消耗的计算资源预算补偿，表示联邦学习任务的全局预算； 确定性算法如下： 在第k个训练轮被服务器选中参与训练的客户端集合Ck中把每个客户端ci作为最慢的客户端，设置本地训练次数，最慢的客户端的训练时间满足： 其中ci′表示任意一个参与训练的客户端，表示客户端ci′的训练时间，表示最慢客户端的训练时间； 由于每个参与训练的客户端至少应分配一个本地训练次数，分配给最慢客户端ci的本地训练次数应满足： 其中，表示客户端ci在第k个训练轮的训练迭代次数，τk表示在第k个训练轮的总训练强度； 枚举最慢客户端的本地训练迭代次数值，范围为[1,τk-|Ck|+1]，在选定后，其它的参与训练客户端满足： 其中表示客户端ci′在第k个训练轮的本地训练次数，表示最慢客户端ci的一次本地训练的计算时间，表示最慢客户端ci的通讯时间，表示客户端ci′的通讯时间，表示客户端ci′的一次本地训练的计算时间；为的上界。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华南理工大学，其通讯地址为：510640 广东省广州市天河区五山路381号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。