控制复杂网络是复杂网络研究的最终目的。最近几年,复杂网络可控性的研究已经成为复杂网络研究的一个重要方面。而随着对复杂网络可控性研究的不断深入与细化,复杂网络可控性的研究已从最初通过网络拓扑结构等来研究复杂网络中的最小驱动节点集,扩展到了研究网络可控性与其他网络性质之间的关系、考虑如何有目标地控制网络中部分节点、探讨如何有效地判断网络可控性中各个节点贡献以及重要性等等。其中,有效地判断处于复杂网络可控性中重要地位的节点,对于认识和控制网络复杂网络具有十分重要的意义。2013年一种衡量节点在网络可控性中重要性的指标——控制能力(Control capacity)被提出,其通过节点出现在网络的所有最小驱动节点里的频率来对节点在网络可控性中的重要程度进行量化表示。与此同时,控制能力的提出者也提出了一种随机取样算法,使得无需穷举最大匹配,就能比较准确且快速地估算出每个节点控制能力的近似。但该随机取样算法虽然提高了判断节点控制能力的效率,却仍存在不足之处。因此,本文对该随机取样算法进行了改进。在研究过程中,本文首先通过对原随机取样算法的研究和实验,针对其不足之处提出了随机取样改进算法(RSDA),其不仅能够尽可能地保证所得控制能力估值稳定性和准确性,也解决了原随机取样算法会在部分网络中失效的问题。其次,本文通过结合概率分布的知识,对随机取样改进算法引入了服从不同分布的随机函数,并以此来影响算法中的随机取样过程。具体地,本文分别对比和分析了服从均匀分布、指数分布、高斯分布以及二项分布和泊松分布的随机函数,随后发现服从不同分布的随机函数会对各个节点控制能力的估值以及整个算法的实际效率产生一定影响,此外它们在不同类型的网络中也有不同的表现。而随着改变服从不同分布的随机函数的相关参数,随机取样改进算法的实际效率会有较为明显的变化。最后,本文通过实验和分析给出了不同类型网络在采用估算控制能力的随机取样改进算法所适用的随机函数,并给出了能够较好地提高效率的参数值。特别地,对于与真实网络结构较为相似的无标度网络而言,当采用服从指数分布的随机函数时,且指数分布的参数值大于0.65时,随机取样改进算法的效率会比采取原随机取样算法中的随机函数的效率提高1至2倍。