Federated Composite Optimization（联邦组合优化）是一种用于分布式机器学习的算法，它可以在多个设备上训练模型，同时保护用户数据的隐私。

该算法的公式如下：

minimize F(w) = (1/n) * Σ[i=1,n] f_i(w)

其中，F(w)是全局损失函数，w是模型参数，n是参与训练的设备数量，f_i(w)是第i个设备上的局部损失函数。在每一轮迭代中，每个设备都会计算出自己的局部梯度，并将其发送给中央服务器。中央服务器会根据所有设备上传的梯度计算出全局梯度，并更新模型参数。

公式中的最后一个分母L指的是全局梯度的范数。在计算全局梯度时，我们通常会对所有设备上传的梯度进行加权平均，其中每个设备的权重由其本地数据的大小决定。因此，全局梯度的范数可能会很大，这会导致模型参数的更新过于剧烈，从而影响模型的性能和稳定性。为了避免这种情况，我们通常会对全局梯度进行归一化，即将其除以L，这样可以保证模型参数的更新幅度不会过大。

在实际应用中，L的计算方法有多种，例如可以使用全局梯度的范数、局部梯度的范数的平均值、或者是一组预定义的常数等。L的选择会影响算法的收敛速度和稳定性，需要根据具体应用场景进行调整。