[发明专利]无线边缘网络中有效联邦学习的最小-最大代价优化方法

权利要求书

1.一种无线边缘网络中有效联邦学习的最小-最大代价优化方法，其特征在于，所述无线边缘网络中有效联邦学习的最小-最大代价优化方法包括以下步骤：

步骤一，获得局部精度θ；

步骤二，设置初始值V⁰＝0、l＝0、m＝0与算法精度σ；

步骤三，设置初始对偶变量β(m)、ν(m)、μ(m)与算法精度ε；

步骤四，基于V^l计算智能设备n在子载波k上的功率分配

步骤五，基于V^l计算子载波分配

步骤六，更新对偶变量β(m+1)、ν(m+1)、μ(m+1)；

步骤七，基于步骤五计算i(m)、j(m)、z(m)，如果||i(m)||2≤ε，||j(m)||2≤ε，||z(m)||2≤ε，则执行步骤八；否则，m＝m+1，从步骤三重新执行；

步骤八，计算运行一次全局迭代时能量消耗和延迟的权和的最大值是否小于算法精度σ，若小于，则得到最优资源分配x^*、P^*与V^*；否则，计算V^l+1，l＝l+1，从步骤三重新执行；

步骤九，设置参数最大距离带宽BW^max与最小距离带宽BW^min、最大迭代次数NI、W、和声记忆考虑率与基音调整率的均值μ^HCMR、μ^PRAm与方差σ^HCMRs、σ^PRAs，迭代指数w＝1与I＝0；

步骤十，初始化和声记忆HM并计算目标函数Φ(f)；

步骤十一，基于步骤八计算服从正态分布的和声记忆考虑率HMCR、基音调整率PAR；

步骤十二，计算距离带宽BW(I)；

步骤十三，计算新的和声向量F^new；

步骤十四，获得最坏的和声矢量F^D，如果Φ(F^new)Φ(F^D)，则更新和声记忆为F^D＝F^new，并存储HMCR与PAR的值；

步骤十五，如果w＝W，基于步骤十四计算新的μ^HCMR、μ^PRAm，并重置w＝1；否则w＝w+1；

步骤十六，如果I＜NI，则I＝I+1，从步骤十开始重新执行；否则，输出最优计算资源分配f；

步骤一中，所述θ表示如下：

要确定θ的最优值需要确立以下步骤：

(1)设置最大值η＝0、υ＝0以及精度ξ；

(2)基于η^υ计算局部精度θ^υ；

(3)如果则最优值θ^*＝θ^υ；否则υ＝υ+1，重新执行步骤(2)；

其中，和是常量；

步骤四中，所述表示如下：

其中，y⁺定义为max{0,y}；

步骤五中，所述表示如下：

其中，

步骤六中，所述对偶变量表示如下：

β_n(l+m)＝[β_n(m)+o(m)Δβ_n(m)]⁺

υ_n(l+m)＝[υ_n(m)+q(m)Δυ_n(m)]⁺

μ_n(l+m)＝[μ_n(m)+g(m)Δμ_n(m)]⁺；

其中，

l是迭代的指数，o(m)、q(m)、g(m)是非常小的正步长，α_n,k＝x_n,k×r_n,k；

步骤七中，所述i(m)、j(m)、z(m)表示如下：

i(m)＝β(m+1)-β(m)

j(m)＝υ(m+1)-υ(m)

z(m)＝μ(m+1)-μ(m)；

步骤八中，所述运行一次全局迭代时能量消耗和延迟的权和表示如下：

所述V^*与V^l+1表示如下：

步骤十二中，所述BW(I)表示如下：

步骤十三中，所述计算F^new的步骤如下：

(1)获取智能设备数N并设置j＝1；

(2)如果r¹＜HMCR，则F^new(j)＝F_i(j)±r²×BW(I)，并转到步骤(3)执行；否则F^new(j)＝FL(j)+r²×(FU(j)-FL(j))；

(3)获得最好的和声矢量F^B，如果r³＜PAR，则F^new(j)＝F^B(j)；

所述无线边缘网络中有效联邦学习的最小-最大代价优化方法，还包括：

无线边缘网络由配备有边缘服务器的基站BS和N个智能设备SDs组成，由集合Ν＝{1,2,...,N}索引；假设每个参与的智能设备n∈N都有一个本地数据集D_n，其大小定义为D_n＝|D_n|；总数据大小用表示；通过使用所述SD上的数据，SDs可以协作训练部署在无线边缘网络中的机器学习模型；

让C_n表示智能设备n处理一个数据样本所需的CPU周期数；假设所有数据样本都具有相同的位数；那么，当运行一个本地迭代时，智能设备n所需的CPU周期总数是CnDn；f＝(f_n)表示智能设备n执行一次局部迭代所需的CPU周期频率；功耗被建模为其中k_n是智能设备n处CPU的有效开关电容；智能设备n每次局部迭代所需的计算时间为

智能设备n更新一个局部模型所需的总计算时间表示为智能设备n更新一个局部模型的能耗由下式给出：

在联邦学习中，考虑通信阶段基于OFDMA的移动边缘网络系统；有K个子载波，其集合被表示为K＝{1,2,...,K}，并且每个子载波的带宽是B₀；设P＝(P_n,k)和H＝(h_n,k)分别表示智能设备n在子载波k上的发射功率和信道增益，智能设备n在子载波k上的传输速率由下式给出：

其中，N₀是每个子载波的噪声功率，

智能设备n的总发射速率和总发射功率分别表示为：

其中，x＝(x_n,k)是子载波变量，其中x_n,k＝1表示子载波k被分配给智能设备n，否则x_n,k＝0；设S_n为智能设备n更新的局部模型参数的大小，智能设备n的发送时间为智能设备n的能耗为

因此，智能设备n完成一次全局迭代的总时间和总能耗分别是

提出移动边缘网络中联合学习的局部精度和资源分配联合优化问题；智能设备n的代价定义为运行一次全局迭代时能量消耗和延迟的权和：与分别是智能设备n的能耗和时延权值分别表示能量消耗和延迟的权重，为全局迭代次数的上界；将局部精度θ、局部计算的CPU周期频率f、子载波分配x和发射功率分配P的联合优化公式如下：

(C7):0≤θ≤1,；

其中，是基本传输速率，P_n^max是上传更新后的本地模型参数时智能设备n的最大传输功率；C1是智能设备n的CPU周期频率约束；C2表示智能设备n更新一个局部模型的计算时间不能超过最大容许时间；C3确保智能设备的基本费率要求；C4和C5表示一个智能设备最多可以分配一个子载波；C6是智能设备的发射功率限制；C7是局部精度的可行域约束；通过联合优化局部精度、子载波分配、发射功率分配和计算资源分配，使联邦学习的收敛性能最优。