近年来,社交网络分析成为人们研究的热点,通过社交网络分析,可以挖掘隐藏在网络中的重要信息,其中在社交网络分析中的一个研究热点就是社交影响力最大化问题。然而在这个研究领域中,大部分学者仅仅关注于影响力最大化,而忽视了被影响群体的多样性,而在实际营销中,商家更倾向于选择多样化的目标受众以推广新产品。除此之外,大部分学者在研究社交影响力最大化问题时忽视了节点成本的重要性,对于市场营销而言,在期望获得影响力最大化的同时营销的成本可以最小化。为了解决上述两个重要问题,本文将研究基于重叠社团检测的社交影响力最大化的多目标方法。之所以采用重叠社团检测技术,是因为重叠社团中的重叠点起着“桥梁”的作用,可以使得信息在不同的社团之间传播,因此被影响的节点的分布会更加多样化;同时,利用重叠社团结构信息可以挖掘网络中性价比(影响力/成本)高的节点,为用户提供影响力大成本小的种子节点。因此,本文在社交影响力最大化问题上分别考虑节点多样性和成本,提出了基于重叠社团检测的多样性影响力最大化进化算法和基于重叠社团检测的成本最小化影响力最大化进化算法。本文的主要研究工作如下:(1)本文提出了基于重叠社团检测的多样性影响力最大化进化算法(MOEA-DIM)。在当前的多样性影响力最大化问题中,针对多样性,主要采用节点的类别信息来设计多样性指标,然而在现实中,节点的类别信息很难收集全。为此,本文利用节点的重叠社团结构信息来设计多样性指标,不需要节点的任何类别信息,因而该指标更具有通用性。由于节点的影响力和多样性两个目标之间存在冲突性,本文提出一种多目标优化方法MOEA-DIM来同时优化两个目标。在MOEA-DIM算法中,分别提出了基于重叠社团结构信息的网络归减策略和基于节点随机游走的种群初始化策略来提高算法的搜索效率和加快算法的收敛速度。最后,通过在真实的网络数据集上的实验结果验证了MOEADIM算法的有效性以及所提策略的有效性。(2)本文提出了基于重叠社团检测的成本最小化影响力最大化进化算法(MOEACMIM)。目前,大部分影响力最大化问题的研究工作中没有考虑节点的成本,然而在实际营销中,获得的影响力越大其营销成本也会随之增加。很明显地,节点的影响力和成本之间存在一定的冲突性。为此,本文提出一种多目标优化方法MOEA-CMIM来解决成本最小化影响力最大化的问题。同时,在MOEA-CMIM算法中,提出了基于重叠社团结构信息的种群初始化策略,来加快算法的搜索效率;除此之外,提出的局部搜索策略可以进一步提高该算法的性能。最后,通过真实数据集的实验结果表明了MOEACMIM算法的有效性以及所提策略的有效性。