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！

龙图腾网获悉北京邮电大学申请的专利一种高时效的联邦边缘学习调度策略设计方法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：CN116341679B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202310284944.5，技术领域涉及：G06N20/00；该发明授权一种高时效的联邦边缘学习调度策略设计方法是由秦晓琦;李艺璇;韩凯峰;许晓东;张平设计研发完成，并于2023-03-22向国家知识产权局提交的专利申请。

本一种高时效的联邦边缘学习调度策略设计方法在说明书摘要公布了：本发明公开了一种高时效的联邦边缘学习调度策略设计方法，首先从理论上推导了优化变量与收敛性能之间的关系，在收敛分析的基础上，提出了在每个设备平均能量和梯度年龄约束下的最小化收敛误差与时间加权和的优化问题。其次采用李雅普诺夫优化方法将长期随机优化问题转化为了在线优化问题，以便在每一轮训练中在线求解。然后提出了一种自适应的数据辅助调度策略，并证明了该算法具有多项式的算法复杂度，同时保持渐近最优性。最后通过实验观察，研究了设备不同的异构性对训练效率的影响。结果表明本发明能够综合考虑设备选择、训练数据量和梯度量化级别等因素，在设备的统计、计算资源和通信资源三重异构下，提高联邦边缘学习的训练效率。

本发明授权一种高时效的联邦边缘学习调度策略设计方法在权利要求书中公布了：1.一种高时效的联邦边缘学习调度策略设计方法，其特征在于，包括以下步骤： S1、每个参与设备从本地数据集中随机采集数据计算本地梯度； S2、每个参与设备自适应地量化本地梯度，并向基站传输量化后的梯度； S3、在每个设备平均能耗和平均梯度年龄约束下，以最小化收敛误差和训练时延的加权和为优化问题；所述梯度年龄表示当前训练轮次距上一次上传本地梯度的通信间隔轮数；步骤S3中，梯度年龄随着训练轮r以速率1逐渐增长，直到设备n被选择参与训练，如果设备n在第r轮被调度，则设备n的梯度年龄降为零，否则设备n的年龄增加1，表示为： 其中，Anr表示第r轮训练时设备n的梯度年龄，表示设备集合，anr为二进制变量，表示设备n在第r轮中是否被调度，若anr＝1，代表设备n在第r轮参与训练；否则，anr＝0； 优化问题P1表示如下： 约束条件为： 其中，Fθr为损失函数，θr为基站第r轮的全局模型，u为调整训练性能和能量成本之间权衡的权重参数；Tr为每一轮的训练时间，Enr为设备n的能耗，包括本地梯度计算能耗和梯度上传能耗 和为阈值，qn为设备n的梯度量化级别；dnr每个被调度的设备从本地数据集中随机采集的数据量大小； S4、推导控制变量与收敛速度上界之间的关系，采用李雅普诺夫优化方法将步骤S3的长期随机优化问题解耦转化为确定性在线优化问题；所述控制变量包括参与设备选择、训练数据量和梯度量化级别；步骤S4的控制变量与收敛速度上界之间的关系表示为： 其中， 其中， 为全局方差，M2为本地梯度方差界，G2为本地梯度界，η为学习率，L为常数，mn为本地梯度所包含的元素个数，θ*为最优的全局模型参数，收敛速度的第一项反映了从初始权重到最优权重的差，随着训练轮数趋于无穷，第一项最终趋向于0，第二项中的Cr视为收敛的误差界，随着调度设备数量、训练数据量和梯度量化级别的增加而减少； S5、在每一轮训练中，提出数据量自适应辅助的调度策略来求解优化问题，算法具有多项式算法复杂度，并具有渐进最优性； S6、通过实验观察设备的统计异构性、计算资源异构性和通信资源异构性对训练效率的影响，给出调度策略。

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北京邮电大学，其通讯地址为：100876 北京市海淀区西土城路10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”。