得益于因特网和Web2.0等技术的迅速发展,规模日益增长的社会网络已经成为个体之间交互的主要方式和信息传播的重要平台,人们正在将传统的线下生活中的信息流迁移到社会网络上进行高效率低成本的管理。网络个体节点在交互过程中会对其他邻域节点产生影响并重塑这些节点的情感、认知与行为等,进而引起网络拓扑结构的演变。因此,开展社会网络分析研究对于了解网络的统计特性、理解网络节点的行为特征、揭示网络的传播动力学规律、控制网络拓扑结构演化等具有重要意义。作为网络传播的重要研究内容之一,影响力最大化问题的目的在于采用一定的评估机制从给定网络中选取一组指定大小的影响力节点作为种子集合,在特定的级联传播模型下,使得该种子集合的影响力传播范围最大化。开展影响力最大化问题的研究不仅对丰富复杂网络理论研究具有重要的理论意义,而且在基于病毒式营销模式的产品推广、信息扩散等实际活动具有广阔的应用前景。现有影响力最大化算法在处理不同结构类型的网络时存在求解质量不稳定、可扩展性低等不足;在处理大规模社会网络时仍然面临着时间复杂度高、占用内存空间大等问题。为此,本文以社会网络为研究对象,首先深入分析了采用群集智能优化算法求解影响力最大化问题的可行性与优势;为了充分在网络解空间中搜索最优种子解集,研究了局部搜索策略对提升算法求解性能的作用;在此基础上,尝试把在求解多目标连续优化问题时表现突出的蝙蝠算法用于求解影响力最大化问题。然后,针对大规模社会网络计算复杂度高等问题,研究了基于网络拓扑结构的离散元启发式算法的快速进化机制。最后,结合社会网络普遍存在的社团结构特征,研究了基于粒子群优化算法的自适应种子节点选取策略。大量实验结果表明,基于群集智能的元启发式优化算法是求解影响力最大化问题的一种有效手段。本文的具体研究工作概述如下:(1)为提升对网络解空间中影响力节点的搜索能力,基于贪心机制提出了一种改进离散粒子群优化算法。在评估节点边际收益时,传统贪心算法由于需要执行大量的蒙特卡洛模拟而具有较高的时间复杂度,难以处理大规模社会网络。为此,本文深入分析了采用基于群集智能的元启发式优化算法求解影响力最大化问题的可行性及其优势。在采用典型的粒子群优化算法求解影响力最大化问题时,为改善种群当前最优候选种子节点集合的选取质量,构造了一种基于贪心机制的局部搜索策略,在候选节点直接邻域集合内选取边际收益最大的节点替换当前候选种子节点。实验结果表明,改进局部搜索策略能够有效提高算法的求解性能。(2)在上述工作基础上,结合网络空间特征,通过离散化蝙蝠算法的进化规则,尝试把蝙蝠优化算法用于求解影响力最大化问题。为加快算法的收敛速度,基于节点度中心性和介数中心性构造了一种衡量节点对网络拓扑结构作用大小的贡献度指标,按照贡献度从网络中提取一定数量的结构性节点建立一个候选种子节点池,从中选取影响力节点替换算法演化过程中边际收益最低的候选种子节点。实验结果表明,离散蝙蝠优化算法能够取得与CELF算法非常接近的求解效果。(3)分析了基于网络结构特征构建局部搜索策略对元启发式优化算法时间复杂度的影响,提出了一种离散混合蛙跳算法求解大规模社会网络中的影响力最大化问题。混合蛙跳算法中由确定性与随机性协同作用的局部搜索策略,使得该算法具有较低的时间复杂度。基于网络离散拓扑结构特征,重新定义了蛙群的编/解码机制与进化规则,构造了一种快速的候选种子节点局部搜索策略。为最优化离散混合蛙跳算法的参数设置策略,采用正交试验方法对算法的主要参数开展了代表性仿真试验。基于实际网络数据集的结果表明,与典型影响力最大化算法相比,离散混合蛙跳算法具有良好的求解性能。(4)结合实际社会网络中普遍存在的社团结构特征,提出了一种自适应离散粒子群优化算法用于种子节点的动态分配与选取。针对社会网络中社团规模差异化特点,为合理分配分属各社团的候选种子节点数量,构造了一种动态种子节点选取策略。通过评价候选种子节点集合的影响力局部传播范围,动态调整分属各社团的候选种子节点数量,以最大化影响力期望传播范围。在此基础上,提出一种面向社团划分机制的自适应离散粒子群优化算法求解影响力最大化问题。实验结果表明,算法具有较快的求解速度和较强的鲁棒性。