El aprendizaje federado (FL), como un paradigma emergente en el aprendizaje automático distribuido, ha recibido una amplia atención en la investigación. Sin embargo, pocos trabajos consideran el impacto de la movilidad de los dispositivos en la eficiencia de aprendizaje del FL. De hecho, es perjudicial para el resultado del entrenamiento si los clientes heterogéneos experimentan migración o están en un estado sin conexión durante el proceso de agregación global. Para abordar este problema, se propone la estrategia de Agregación Global Óptima (OGAs). El OGAs primero modela la interacción entre clientes y servidores del FL como un modelo de Proceso de Decisión de Markov (MDP), que considera conjuntamente la movilidad de los dispositivos y la heterogeneidad de los datos para determinar los participantes locales que son propicios para la agregación global. Para obtener la estrategia óptima de participación del cliente, se utiliza un método de iteración de valor mejorado para resolver el MDP, asegurando que el número de clientes participantes se mantenga dentro de un intervalo óptimo en cada ronda global. Además, se utiliza el Análisis de Componentes Principales (PCA) para reducir la dimensionalidad de las características originales y abordar el espacio de estado complejo en el MDP. Los resultados experimentales demuestran que, en comparación con otras estrategias de agregación existentes, el OGAs tiene una velocidad de convergencia más rápida y una mayor precisión de entrenamiento, lo que mejora significativamente la eficiencia de aprendizaje del FL.