Esta investigación sugiere un algoritmo de aprendizaje en el borde federado a múltiples niveles aprovechando las ventajas del Paradigma de Computación en el Borde. La agregación del modelo se traslada parcialmente de un servidor central en la nube a servidores en el borde en este marco, y los servidores en el borde están conectados jerárquicamente según dónde se encuentren y cuánta potencia computacional tengan. Al mismo tiempo, se consideró un problema importante: la heterogeneidad de los diferentes recursos informáticos de los clientes (como la potencia informática del procesador del dispositivo) y los canales de comunicación del servidor (que pueden estar limitados por la geografía o el dispositivo). Para esta situación, se propone en este documento un algoritmo de selección de cliente y servidor en el borde basado en un algoritmo voraz. Dadas las limitaciones de recursos, tiene como objetivo seleccionar tantos clientes y servidores en el borde como sea posible para participar en el cálculo del modelo con el fin de mejorar la precisión del modelo. Los resultados de la simulación muestran que, cuando el número de clientes es alto, el algoritmo de aprendizaje en el borde federado a múltiples niveles puede acortar el tiempo de entrenamiento del modelo y mejorar la eficiencia en comparación con el algoritmo de aprendizaje federado tradicional. Al mismo tiempo, el algoritmo es capaz de agregar más clientes para el entrenamiento en la misma cantidad de tiempo en comparación con el algoritmo base, mejorando la precisión del entrenamiento del modelo.