| 中文摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第一章 绪论 | 第12-30页 |
| 1.1 研究背景与意义 | 第12-15页 |
| 1.1.1 复杂网络概述 | 第12-13页 |
| 1.1.2 社会网络发展现状 | 第13-15页 |
| 1.2 社会网络影响力最大化 | 第15-27页 |
| 1.2.1 影响力最大化问题的研究意义 | 第16页 |
| 1.2.2 影响力最大化评价指标 | 第16-17页 |
| 1.2.3 影响力最大化问题研究现状 | 第17-26页 |
| 1.2.4 现有研究不足及面临的挑战 | 第26-27页 |
| 1.3 本文主要工作 | 第27-28页 |
| 1.4 本文组织结构 | 第28-30页 |
| 第二章 相关理论基础 | 第30-45页 |
| 2.1 复杂网络相关概念 | 第30-31页 |
| 2.2 典型网络结构类型 | 第31-36页 |
| 2.2.1 规则网络 | 第31-32页 |
| 2.2.2 随机网络 | 第32-33页 |
| 2.2.3 小世界网络 | 第33-35页 |
| 2.2.4 无标度网络 | 第35-36页 |
| 2.3 主要拓扑统计性质 | 第36-40页 |
| 2.3.1 度、度分布及度相关性 | 第36-38页 |
| 2.3.2 中心性 | 第38-39页 |
| 2.3.3 派系、社团和模块度 | 第39-40页 |
| 2.4 社会网络影响力最大化 | 第40-42页 |
| 2.5 影响力传播模型 | 第42-44页 |
| 2.5.1 独立级联模型 | 第42-43页 |
| 2.5.2 线性阈值模型 | 第43页 |
| 2.5.3 其它传播模型 | 第43-44页 |
| 2.6 群集智能及元启发式优化算法 | 第44页 |
| 2.7 本章小结 | 第44-45页 |
| 第三章 基于粒子群优化的IM算法局部搜索策略研究 | 第45-66页 |
| 3.1 问题描述 | 第45-46页 |
| 3.2 相关研究工作 | 第46-49页 |
| 3.2.1 基本粒子群优化算法 | 第46-47页 |
| 3.2.2 离散粒子群优化算法 | 第47-49页 |
| 3.3 一种求解IM问题的改进离散粒子群优化算法 | 第49-55页 |
| 3.3.1 粒子群离散化机制 | 第49-51页 |
| 3.3.2 局部搜索策略分析 | 第51-53页 |
| 3.3.3 改进离散粒子群优化算法求解IM问题框架 | 第53-54页 |
| 3.3.4 算法时间复杂度分析 | 第54-55页 |
| 3.4 实验结果与分析 | 第55-65页 |
| 3.4.1 实验数据集 | 第55页 |
| 3.4.2 基准对比算法 | 第55-57页 |
| 3.4.3 LIE适应值优化对比 | 第57-58页 |
| 3.4.4 典型影响力最大化算法对比 | 第58-62页 |
| 3.4.5 种子重合度统计与无参假设检验 | 第62-65页 |
| 3.5 本章小结 | 第65-66页 |
| 第四章 面向IM问题的离散蝙蝠算法演化机制研究 | 第66-91页 |
| 4.1 问题描述 | 第66-67页 |
| 4.2 相关研究工作 | 第67-70页 |
| 4.3 一种求解IM问题的离散蝙蝠算法 | 第70-76页 |
| 4.3.1 基本蝙蝠算法离散化 | 第70-72页 |
| 4.3.2 离散蝙蝠算法求解影响力最大化问题框架 | 第72-76页 |
| 4.3.3 DBA算法时间复杂度 | 第76页 |
| 4.4 实验结果与分析 | 第76-90页 |
| 4.4.1 实验数据集 | 第76页 |
| 4.4.2 基准对比算法 | 第76-79页 |
| 4.4.3 参数设置策略 | 第79-82页 |
| 4.4.4 LIE适应值优化对比 | 第82-85页 |
| 4.4.5 典型影响力最大化算法对比 | 第85-87页 |
| 4.4.6 无参统计假设检验 | 第87-90页 |
| 4.5 本章小结 | 第90-91页 |
| 第五章 基于随机蛙跳思想的IM算法快速进化机制研究 | 第91-109页 |
| 5.1 问题描述 | 第91-92页 |
| 5.2 相关研究工作 | 第92-94页 |
| 5.2.1 文化基因思想 | 第92-93页 |
| 5.2.2 随机蛙跳算法 | 第93-94页 |
| 5.3 基于混合蛙跳进化的影响力最大化算法 | 第94-99页 |
| 5.3.1 虚拟蛙群编码机制 | 第94页 |
| 5.3.2 求解影响力最大化问题的离散混合蛙跳算法框架 | 第94-97页 |
| 5.3.3 DSFLA算法时间复杂度 | 第97-99页 |
| 5.4 实验结果与分析 | 第99-107页 |
| 5.4.1 实验数据集 | 第99页 |
| 5.4.2 基准对比算法 | 第99页 |
| 5.4.3 DSFLA算法参数设置策略 | 第99-101页 |
| 5.4.4 影响力传播实验对比 | 第101-104页 |
| 5.4.5 算法运行时间对比 | 第104-105页 |
| 5.4.6 无参统计假设检验 | 第105-107页 |
| 5.5 本章小结 | 第107-109页 |
| 第六章 面向社团划分的IM算法自适应选取策略研究 | 第109-125页 |
| 6.1 问题描述 | 第109-110页 |
| 6.2 相关研究工作 | 第110-111页 |
| 6.2.1 标签传播算法 | 第110页 |
| 6.2.2 粒子群优化算法 | 第110-111页 |
| 6.3 基于社团划分的自适应粒子群优化算法 | 第111-118页 |
| 6.3.1 ADPSO算法求解影响力最大化问题框架 | 第111-114页 |
| 6.3.2 自适应离散粒子群优化算法 | 第114-116页 |
| 6.3.3 ADPSO算法时间复杂度分析 | 第116-118页 |
| 6.4 实验结果与分析 | 第118-124页 |
| 6.4.1 网络数据集 | 第118页 |
| 6.4.2 基准对比算法 | 第118-119页 |
| 6.4.3 影响力传播实验对比 | 第119-121页 |
| 6.4.4 算法运行时间对比 | 第121-124页 |
| 6.5 本章小结 | 第124-125页 |
| 第七章 总结与展望 | 第125-130页 |
| 7.1 研究总结 | 第125-127页 |
| 7.2 研究展望 | 第127-130页 |
| 参考文献 | 第130-149页 |
| 在学期间的研究成果 | 第149-150页 |
| 致谢 | 第150页 |
