【MATLAB例程（车联网2）】基于车车协同参数卸载的联邦拆分混合学习时延优化系统仿真，附完整代码的下载链接

面向高动态车联网拓扑的移动性感知多智能体强化学习驱动分割联邦学习

完整代码，原创，请勿翻卖

文章目录

程序简介
运行结果
MATLAB源代码
更多方向

程序简介

概览

本程序对应 VRC-FSHL 的核心流程：服务器广播全局模型、卸载点集合和卸载关系图，弱算力车辆将部分网络层卸载给邻近强算力车辆，最后服务器对本地模型做联邦聚合。

卸载点选择

程序将 DNN 抽象为多层计算成本和激活传输大小，枚举不同拆分点与目标车辆，选择预计训练时延最低的 V2V 卸载方案。

参数回滚

如果某一轮实测时延明显劣化，程序会自动回滚到历史最优卸载点和目标车辆，体现论文中的动态资源分配思想。

时延对比

例程同时计算本地训练、V2S 卸载和 V2V-FSHL 的每轮时延，便于直观看到车载节点间协作对训练效率的提升。

运行结果

程序运行后会生成以下图像：

模型收敛

时延曲线
卸载点选择

卸载关系

平均时延对比

命令行会输出最终损失、最终准确率、V2V-FSHL 相对本地训练和 V2S 卸载的平均加速比。

MATLAB源代码

部分代码：

matlab 复制代码

%% VRC-FSHL联邦拆分学习参数卸载例程
% Vehicle-to-Vehicle Cooperative Federated Split Learning
% 程序用网络层计算量和激活量抽象DNN，并用逻辑回归完成感知模型训练。
% 作者：matlabfilter（V同号，可接代码定制、讲解等）
% 2026年6月23日、Ver1

clear; clc; close all;
rng(0);

scriptDir = fileparts(mfilename('fullpath'));
if ~isempty(scriptDir)
    cd(scriptDir);
end

%% 场景参数
numVehicles = 24;
numRounds = 55;
featureDim = 4;
modelDim = featureDim + 1;
localEpochs = 2;
learningRate = 0.08;
lambda = 1e-3;

numLayers = 7;
layerCost = [0.75, 1.10, 1.35, 1.20, 1.05, 0.85, 0.55]';
activationBits = [1.80, 1.45, 1.15, 0.92, 0.74, 0.55, 0.38]' * 1e6;
serverCompute = 7.0;
serverBandwidthMbps = 9.5;

vehiclePos = rand(numVehicles, 2);
computePower = 0.65 + 2.20 * rand(numVehicles, 1);
computePower(1:round(numVehicles * 0.35)) = 0.45 + 0.45 * rand(round(numVehicles * 0.35), 1);
dataSize = randi([80, 170], numVehicles, 1);

bandV2V = makeV2VBandwidth(vehiclePos);
[Xcell, ycell, Xtest, ytest] = makeVehicleData(numVehicles, dataSize, featureDim);

weakVehicle = computePower < median(computePower);
wGlobal = 0.05 * randn(1, modelDim);
bestSplit = ones(numVehicles, 1) * numLayers;
bestTarget = (1:numVehicles)';
bestMeasuredTime = inf(numVehicles, 1);

lossHist = zeros(numRounds, 1);
accHist = zeros(numRounds, 1);
timeLocalHist = zeros(numRounds, 1);
timeV2SHist = zeros(numRounds, 1);
timeV2VHist = zeros(numRounds, 1);
rollbackCount = zeros(numRounds, 1);
splitRecord = zeros(numRounds, numVehicles);
targetRecord = zeros(numRounds, numVehicles);

fprintf('VRC-FSHL仿真：车辆节点%d个，抽象DNN层数%d层。\n', numVehicles, numLayers);

%% 训练轮次

完整代码：
https://download.csdn.net/download/callmeup/93022393