在社交网络中,用户不仅充当信息的接收者,还充当信息的生产者和传播者。这使得信息可以在在线社交网络快速传播,以至于短时间内影响很多人。现如今,随着各大在线社交网络用户数量不断增加,在线社交越来越成为人们生活的一部分。在社交网络研究分析中,影响力最大化(Influence Maximization,IM)问题是其中一个非常热的研究方向。在现实生活中社交网络的IM问题具有重要的研究意义,通常被应用于病毒式营销。IM问题就是在社交网络中找到最有影响力的用户节点集,这些节点集可以在某种模型下使得信息获得最大影响范围的传播。目前比较经典的传播模型有独立级联模型和线性阈值模型,已有研究证实在这些传播模型下传播是NP-Hard问题。但是目前研究的社交网络基本上都是无符号网络,在无符号网络中没有考虑用户的态度,因此信息在无符号网络中传播很容易使得影响最大化被高估。近几年来研究人员开始集中研究信息在符号网络中传播的积极影响力最大化(Positive Influence Maximization,PIM)问题。针对PIM问题本文从传播模型优化和应用算法上来展开研究。在模型上本文认为现有的IC-P模型仍可以进一步改进并提出了新模型。在算法上,本文利用智能算法的优势并提出新算法来尝试解决PIM问题。最后用实验证明了所提出算法的优势。具体工作如下:1.本文通过深入分析极性独立级联模型(Polarity-related Independent Cascade,IC-P)的传播过程,认为用户在被激活后,该用户不一定要去激活他的邻居。为了体现这一过程,本文在极性独立级联模型上加入用户的传播意愿,提出了AIC-P模型,随后证明了该模型具有单调性和子模性。2.解决PIM问题的应用算法主要是贪婪和启发式两大类算法,但是它们都有不足之处。贪婪类的算法优势在于算法精度很高,但是运行时间过长;而启发式算法却相反,该类算法运行效率很高,但是精度方面有所欠缺。本文认真分析了现有的研究工作和不足之处,将引进差分进化(DE)算法并提出基于传播意愿的节点搜索策略的DE算法(PWDE)来解决PIM问题。3.通过在两个不同规模的真实符号网络数据集上进行仿真实验,实验证明PWDE算法的优势在运行时间方面比贪婪算法要缩短数倍,而且在精度方面又能保证与贪婪算法接近。