El No IID es uno de los principales desafíos en el aprendizaje federado. La heterogeneidad de los datos puede llevar a una convergencia más lenta, una reducción de la precisión y más rondas de entrenamiento. Para abordar el problema común de la distribución de datos No IID en el aprendizaje federado, proponemos un enfoque de optimización dinámica integral basado en métodos existentes. Aprovecha la estimación MAP del parámetro de Dirichlet beta para ajustar dinámicamente el coeficiente de regularización e introduce coeficientes de gradiente ortogonales i para mitigar la interferencia de gradiente entre diferentes clases. El enfoque es compatible con los marcos de aprendizaje federado existentes y se puede integrar fácilmente. Logra mejoras significativas en la precisión tanto en escenarios ligeramente como severamente No IID, manteniendo un fuerte límite inferior de rendimiento.