基于共生多智能体强化学习的联邦学习分布式模型优化方法

本发明提出一种基于共生多智能体强化学习的联邦学习分布式模型优化方法，实现步骤为：构建联邦学习系统；每个客户端获取本地训练样本集，服务器获取全局测试样本集；服务器对每个客户端进行自适应共生聚类；服务器构建共生多智能体强化学习网络，并初始化参数；服务器发送本地图像分类模型到每个客户端；每个集群的每个客户端对本地图像分类模型进行迭代训练；每个集群的每个客户端对模型参数进行剪枝并上传参数差异；服务器获取全局模型优化结果。本发明通过自适应共生聚类，实现定制化聚类，提高系统整体精度；通过共生多智能体强化学习网络对模型参数进行剪枝，使不同集群客户端选择最优剪枝率，优化参数计算，提高训练效率。