1.一种优化网络延迟的分布式ADMM机器学习方法，其特征在于，针对ad‑hoc网络将凸优化问题分解成子凸优化问题进行求解，为得到凸优化问题的全局最优解，机器学习方法包括以下步骤：针对网络延迟对基于桥节点和工作节点的分布式ADMM算法运行时间的影响，对网络节点进行初始化，并根据网络中节点连接延迟的情况，动态地规划桥节点的位置和个数；

定义如下参数：

latencybridge(b)：节点i与和节点i相邻的第b个相邻的桥节点之间的延迟；

B(i)：与节点i相邻的所有桥节点的集合；

NB(b,i)：表示与节点i相邻的节点中，同时与和节点i相邻的第b个相邻的桥节点相邻的节点；

SNB(b,i)：集合NB(b,i)中节点的个数；

Lmax(i)：表示与节点i相邻的所有节点到节点i的延迟中的最大值；

Lmax(j)：表示在NB(b,i)中的第j个节点，与第j个节点相邻的所有节点中到第j个节点的最大值；

min LmaxNeigh(i)：与节点i相邻的所有节点中的Lmax值中的最小值；

Lmaxno‑bridge(i)：表示与节点i相连的所有工作节点到节点i的延迟的最大值；

所述针对网络延迟，动态地规划桥节点的位置和个数具体包括以下步骤：遍历与节点i相连的所有桥节点，首先判断latencybridge(b)是否大于允许的最大延迟并且如果成立，则判断节点i是否为桥节点，如果节点i是桥节点，则将B(i)中第b个桥节点移除；如果节点i不是桥节点则判断Lmaxno‑bridge(i)是否小于min LmaxNeigh(i)，如果成立，则将节点i设置为桥节点，并告知其所有与节点i相连的节点，并将B(i)中第b个桥节点移除；如果不成立则遍历NB(b,i)中的所有节点，判断以下一组条件是否同时满足：Lmaxno‑bridge(i)>＝Lmax(j)，

Lmax(j)＜latencybridge(b)

Lmax(j)＜latencylimit，

SNB(b,i)＞0，如果同时满足将NB(b,i)中的第j个节点设置为桥节点。

2.根据权利要求1所述的一种优化网络延迟的分布式ADMM机器学习方法，其特征在于，在ad‑hoc网络中，设网络中有J个节点，定义节点j的邻居节点为Nj，目标是根据在节点j处p×1的到的观察值 估计一个R 向量s；Lj表示xj的维数， 表示Lj维列向量的集p×1合，xj表示在第j个节点得到的数据，p表示p维，R 表示p维列向量的集合，即表示向量s是一个p维的列向量；

表示在节点j针对xj的目标优化函数；

引入一个辅助变量sj并以下列方式表示问题；

Subject to：

表示网络中所有桥节点都拥有的本地向量，B表示网络中的

所有桥节点的集合，b表示网络中的桥节点b，Nb表示与桥节点b相邻的所有工作节点的集合；

是桥节点的集合，其拥有本地向量 针对上述优化问题的拉格朗日表达式如下：其中 是一个大于0的常量，v表示网

络上所有 的集合， 表示针对节点j与所对应的桥节点b的拉格朗日乘子，cj表示为节点j所对应的拉格朗日惩罚系数，表示网络中所有桥节点都拥有的本地向量，针对上述优化问题采用基于桥节点和工作节点的分布式ADMM算法进行求解。

3.根据权利要求2所述的一种优化网络延迟的分布式ADMM机器学习方法，其特征在于，所述对网络节点进行初始化具体包括步骤：对于节点i，如果其相邻的节点中存在桥节点，则将节点i设置为工作节点，如果与节点i相邻的所有节点中没有桥节点，则将节点i设置为桥节点。

4.根据权利要求3所述的一种优化网络延迟的分布式ADMM机器学习方法，其特征在于，为保证分布式算法的收敛性，针对网络中工作节点j，如果工作节点j与其相邻的工作节点间不存在共同的桥节点，就将工作节点j设置为与其相邻的工作节点的桥节点。

5.根据权利要求1所述的一种优化网络延迟的分布式ADMM机器学习方法，其特征在于，所述ADMM的迭代算法具体包括以下步骤：首先进行初始化工作，即对 sj，赋初值以及设定最大迭代次数，然后判断迭代次数是否超过最大迭代次数，没有超过就进行迭代运算：工作节点接收到来自其桥节点的 并结合本地的sj(k)和 通过迭代公式得到更新值 得到更新值 后通过迭代公

式 得到更新值sj(k+1)，然后工作节点将sj(k+1)给对应的桥节点，桥节点根据迭代公式 得到更新值

并将 发送给对应的工作节点；

当迭代次数超过最大迭代次数时停止迭代计算，得到 sj，的近似最优解。