1.移动边缘网络中个性化联邦学习的成本效益协同优化方法，其特征在于：包括以下步骤：

A：数据集的收集和处理，收集高速公路交通数据集的轨迹数据和手写数字数据集的数字图片，并将数字图片调整为相同大小；

B：节点评估，通过优劣解距离法来评估所有节点的好坏；

所述B的步骤为：

S1：基于优劣解距离法的评估，收集关于每个节点的移动速度、方向和连接频繁性的数据，对这些数据进行预处理以确保准确性和一致性，并将数据转换为无量纲形式；

所述S1中，使用区间型指标消除速度标准和方向标准之间的量纲影响，对于区间型指标，若其最佳区间是[a,b]，取：M＝max{a‑min{xi},max{xi}‑b} (1)其中，min(x)和max(x)分别是数据集中的最小值和最大值，并按照以下公式进行转化：C：节点选择，在所有节点概率确定的条件下，根据概率随机选择参与训练的移动节点；

D：模型训练，分别利用MCLR和DNN网络训练处理过的训练集数据对模型进行训练；

E：模型传输，将训练好的模型参数调整，并上传到边缘服务器；

F：概率调整，设置一评估结果阈值，使边缘服务器判断根据概率选择的移动节点是否存在低于阈值的情况；

所述F步骤为：

S2：根据节点评估结果进行概率调整，在每一轮联邦学习中，选中部分节点参与局部训练以及全局模型聚合，因移动性导致稳定性不佳的节点，调整其参与概率，因此，在服务器端提出利用评分函数的输出，动态地调整每个节点的选中概率；

G：模型更新，边缘服务器将聚合得到的新参数以及概率发送回相应的移动节点，移动节点对用自身数据和传回的参数再次训练，直到达到各自的迭代次数，输出模型。

2.根据权利要求1所述的移动边缘网络中个性化联邦学习的成本效益协同优化方法，其特征在于：所述步骤B中，在评估所有节点好坏之后，根据评估结果调整节点被选择的概率。

3.根据权利要求1所述的移动边缘网络中个性化联邦学习的成本效益协同优化方法，其特征在于：所述步骤F中，将移动节点的被选择概率降低，并且将降低的概率平均分发给其他节点。

4.根据权利要求1所述的移动边缘网络中个性化联邦学习的成本效益协同优化方法，其特征在于：数据集在连接频繁性上有差异或异常值，使用Z得分标准化：

5.根据权利要求4所述的移动边缘网络中个性化联邦学习的成本效益协同优化方法，其特征在于：通过上述步骤，将归一化的数据整合到一个决策矩阵Z中，考虑节点属性的权重，并引入权重向量W，通过将归一化后的决策矩阵与权重向量相乘，得到了加权规范化矩阵Y；

设有m个选项和n个标准，则矩阵表示为：

经过正向化处理和标准化处理的待评分矩阵Y，其含有的数据均为极大型数据，从中取出理想最优解和最劣解；

因此取出每个指标，即每一列中最大的数，构成理想最优解向量，接着定义了正理想解+ ‑A·和负理想解A，它们分别代表了最优和最差的节点属性，为：+

A＝(maxiyi1,maxiyi2,...,maxiyin) (5)‑

A＝(miniyi1,miniyi2,...,miniyin) (6)通过计算欧几里德距离，在下式(7)和(8)中得到了第n个节点到正理想解和负理想解的距离：引入综合距离指数B(n)，衡量每个节点相对于正理想解和负理想解的综合距离，为：

6.根据权利要求1所述的移动边缘网络中个性化联邦学习的成本效益协同优化方法，其特征在于：所述S2中，通过上述S1识别为不稳定的节点，并通过C中控制被选中的概率将基于下式(10)中的参数x进行减少，而其他节点的选择概率相应提高，具体为：其中， 和 分别表示节点在第k次全局轮次中被选中的概率及下一轮次中概率的减少量，min函数表示返回所有参数中的最小值，参数x表示被某个过程标记的累计次数与节点被选中次数之比，取值范围为x∈(0,1]；

β∈[0,1]作为系数为下式：

α

α控制给定比率x时(x+β) 实现的概率递减的大小，在得到标记节点，即 后，按照下式(13)相应的减少这些节点的概率，为：其中， 用于第k+1轮。

7.根据权利要求6所述的移动边缘网络中个性化联邦学习的成本效益协同优化方法，其特征在于：在总节点中排除被标记的节点，也就是让 在下式(14)中，将标记节点减少的概率平均分配给未标记节点，为：