本研究提出了一种创新的强化模型合并（RMM）框架，旨在解决模型合并中的性能下降和搜索效率低的问题。该框架适用于边缘设备，无需梯度计算，通过数据子集加速奖励反馈，最终在多个数据集上实现了优异的性能。

本文研究了非独立同分布（非IID）情况下的联邦学习挑战，提出通过全局数据子集提升训练准确性。实验显示，仅使用5%的全局数据，CIFAR-10数据集的准确性可提升30%。同时，探讨了在物联网环境中实施联邦学习的可行性及隐私保护优势，提出了半分散式边缘云设备的联邦学习框架，以解决数据异构性和通信瓶颈问题。