1.基于分裂鲁棒学习的消费电子资源分配方法，其特征在于，包括步骤：S1、构建智慧城市物联网的通信模型，所述智慧城市物联网的通信模型包括M个基站、N个消费电子设备和J条子信道，J条子信道被分配用于基站和消费电子设备之间，以及消费电子设备和消费电子设备之间进行通信；基站简称BS，消费电子设备简称CE；

S2、构建所述通信模型的干扰超图模型；

S3、基于所述干扰超图模型构建资源分配优化问题：其中，max表示使最大，s.t.表示使满足，C1、C2、C3分别表示概率约束、子信道分配约束和功率约束，sn,j表示是根据干扰超图模型确定的第n个CE对子信道j的选择因子，Rn,j表示min第n个CE在子信道j上的数据传输速率，R 表示CE的最小速率，1‑ε表示中断概率，Pr{}表示max用户速率满足最小速率要求的概率；pn,j表示第n个CE在子信道j上的发射功率，p 表示CE的最大发射功率；

S4、基于分裂鲁棒学习对所述资源分配优化问题进行求解；

所述步骤S2具体为：

根据超边构建条件构建以N个CE做顶点的超边，得到干扰超图模型，超边表示彼此干扰的CE的集合；

所述步骤S3具体包括步骤：

S31、去除所述干扰超图模型中的非重叠区域，得到重叠区域干扰超图模型；

S32、基于线图的定义将所述重叠区域干扰超图模型转换为干扰线图；线图的定义是顶点集对应于所述重叠区域干扰超图模型的超边集的图，如果线图的两个顶点的相应超边在所述重叠区域干扰超图模型中有非空交，则称它们在线图中相邻；

S33、基于所述干扰线图构建所述资源分配优化问题；

所述步骤S4具体包括步骤：

S41、构建表征信道实现的不确定性的椭球集合 表示为：其中， 和C是从样本数据集学习的参数，Hn,j为N个CE在子信道j上的信道增益集合， h1,h2,...,hN表示第1,2,...,N个信道增益，u表示约束向量；

S42、基于所述椭球集合 将约束C1改写为：2

其中，Pn,j表示N个CE对子信道j的发射功率矩阵，Ο＝σ IN×1表示干扰噪声功率矩阵，IN×1表示N×1的单位向量；

S43、剔除所述椭球集合 中的低概率区域，将所述步骤S42改写后的约束C1进一步改写为：其中，是 的中心；

S44、重建所述椭球集合 如下：0

参数 ξ表示重建后 的大小，p表示pn,j的初始值；

S45、使用步骤S44重建的椭球集合 对步骤S3改写C1后的资源分配优化问题进行求解，获得全局最优网络吞吐量解；

所述步骤S41具体包括步骤：

S411、收集T个独立同分布的不完美CSI样本a1,a2,…,aT构成样本集合CSI表示信道状态信息；

S412、将样本集合 分成两个集合 和 其中 包括前T1个样本 即包括剩余样本即

S413、计算参数 和 将椭球集合 表示为其中 是块对角矩阵，Λ的对角元素是集合的样本协方差；sc为 的初始大小；

S414、通过集合 定义任一样本a的校准值t(a)的潜在分布的(1‑ε)分位数q1‑ε，然后，*获得观测值t(a1),…,t(aN)的函数值，并将观测值t(1)≤…≤t(N)按升序排列后，值t(k)＝(1‑ε)N用作t(a)的1‑ε分位数的上界；

*

S415、根据 sc＝t(k)计算C，Δ是Λ的乔列斯基分解；

S416、基于计算的参数 和C得到样本集Rn,j由下式计算：

Rn,j＝Blog(1+γn,j)其中，B表示每个子信道的带宽，γn,j表示根据瑞利衰落信道模型计算的CEn对子信道j的信号与干扰加噪声比；

γn,j由下式计算：

其中，pm,j是第m个CE在子信道j上的干扰发射功率，hm,j是第m个CE在子信道j上的干扰2

信道增益，hn,j是第n个CE在LKj上的信道增益，m≠n，σ表示噪声功率和CE的干扰之和；

min

R 设置为：

th

λ是CE的数据到达速率，D 是队列中允许的最大停留时间。

2.基于分裂鲁棒学习的消费电子资源分配系统，其特征在于：包括智能体，所述智能体用于实现权利要求1所述的步骤S1～S4。