[发明专利]一种车辆选择和资源联合优化方法、系统、介质及应用

权利要求书

1.一种车辆选择和资源联合优化方法，其特征在于，所述车辆选择和资源联合优化方法包括：获得车载CPU周期频率和车辆传输功率；根据得到的车载CPU周期频率和车辆传输功率，更新拉格朗日对偶变量；得出最优的车载CPU周期频率和车辆传输功率；获得最优本地模型精度；基于本地模型精度，获得车载CPU周期频率和车辆传输功率；基于车载CPU周期频率和车辆传输功率，获得本地模型精度；基于本地模型精度、车载CPU周期频率和车辆传输功率，计算获得成本花费；获得最优本地模型精度、车载CPU周期频率和车辆传输功率；获取路段车辆集合；设置已参与训练任务的车辆集合为空；将路段车辆集合中符合图片质量要求的车辆逐个添加到训练任务车辆集合中，计算成本花费；获得参与训练任务的车辆集合。

2.如权利要求1所述的车辆选择和资源联合优化方法，其特征在于，所述车辆选择和资源联合优化方法具体包括以下步骤：

步骤一：获得车载CPU周期频率f；

步骤二：获得车辆上传联邦学习模型到边缘服务器的传输功率p；

步骤三：根据车载CPU周期频率f和车辆传输功率p，更新拉格朗日对偶变量λ，β，μ，

步骤四：如果对偶变量的二范数小于精度∈，那么得出最优的车载CPU周期频率和车辆传输功率否则，重新执行步骤一；

步骤五：任取和声库大小的本地模型精确值θ，组成和声库HM，并根据和声评价函数计算相应的评价值F(θ)；

步骤六：设置更新次数t_UP＝1，更新上限UP，和搜索次数上限NI；

步骤七：由正态分布生成和声库取值概率HMCR和微调概率PAR，并且计算获得微调带宽BW；

步骤八：如果一个随机概率小于和声库取值概率HMCR，那么从和声库中随机选取和声，并根据BW微调为新和声θ^new；如果一个随机概率小于微调概率PAR，那么选取由F(θ)评估的在和声库HM中最好的和声θ_best为新和声θ^new；否则，在解空间任意产生一个新的和声θ^new；

步骤九：如果新和声的评价值F(θ^new)优于和声库HM中最坏的和声评价值F(θ_bad)，则用θ^new替换HM中的θ_bad，并且记录HMCR和PAR的值；

步骤十：如果达到更新上限UP，由记录的HMCR和PAR更新正态分布参数并重置t_UP＝1；否则，更新t_UP＝t_UP+1；

步骤十一：如果搜索次数达到NI，输出HM中评价最好和声为最优本地计算精度；否则，重新执行步骤七；

步骤十二：设置l＝1，和算法指定精度ε；

步骤十三：设置本地模型精确值θ(0)；

步骤十四：基于本地模型精确值θ(0)，执行步骤四获得计算车载CPU周期频率f(0)和车辆传输功率p(0)；

步骤十五：根据θ(0)、f(0)、和p(0)计算ζ(0)；

步骤十六：基于车载CPU周期频率f(l-1)和车辆传输功率p(l-1)，执行步骤十一得到本地模型精确值θ(l)；

步骤十七：基于本地模型精确值θ(l)，执行步骤四得到车载CPU周期频率f(l)和车辆传输功率p(l)；

步骤十八：根据θ(l)、f(l)、和p(l)，执行步骤十五获得ζ(l)，如果|ζ(l)-ζ(l-1)|≤ε，则得出最优本地模型精确值、车载CPU周期频率和车辆传输功率；否则，更新l＝l+1，重新执行步骤十六；

步骤十九：获取边缘服务器覆盖路段的车辆集合

步骤二十：设置已经选择加入联邦学习训练任务车辆集合

步骤二十一：如果将车辆集中达到任务图片质量要求的车辆逐个添加到中，执行步骤十八分别求得成本花费ζ，最终添加使得车辆集合获得最小成本花费ζ的车辆V_n；

步骤二十二：更新和重新执行步骤二十一。