复杂网络作为一种介于传统规则网络和完全随机网络之间的网络类型,同时具备一定的规律性和随机性,这使得它能够更好地模拟人类社会中的一系列真实系统,既包括抽象存在的因特网、社交网、合作网、信息流通网,还包括实际存在的生物网、交通网、通讯网等。复杂网络传播作为复杂网络研究领域的一个重要分支,在疾病传播、病毒感染、谣言扩散、舆情引导等实际传播问题上发挥不可忽视的作用。本文以复杂网络传播理论为研究基础,集中从多信息传播、基于信息的疾病控制、基于预测的疾病控制三方面开展研究,取得一定创新性成果。(1)提出可用于舆情疏导、谣言控制的多信息传播模型。该模型是经典的易感染-感染-易感染(Susceptible-Infect-Susceptible,SIS)模型的自然演化。信息之间的相关性往往会在一定程度上影响信息的传播,人们在接触多种不同信息的时候,会根据其关联性在脑中形成初步判断。通过实验,作者量化了这种关联性和对信息受众的影响程度,从而更精细地进行传播预判和防控,同时也为更理性的舆情引导提供了新思路。(2)提出一种基于隔离和信息传播的疾病传播控制策略。该策略具有一定的理论和实际意义,能做到以更小的代价来进行更大效果的疾病控制。作者把疾病分为潜伏期和发病期两个阶段,处于发病期的节点有更高的隔离率。每隔离一个发病节点,使其释放警示信息给它的直接邻居和一级间接邻居。邻居通过获得信息得到免疫能力,其以一种速率递减的方式来实线免疫力的增长。后一时刻接收到的信息会比前一时刻的效果要弱,而间接信息效果比直接信息弱。该策略被用在经典网络和真实数据集上进行了一系列仿真实验,结果显示其能够在短时间内控制控制疫情、降低危害。模型同时具有一定的拓展性和普适性,可迁移至同领域其他传播体的控制。(3)提出一种基于神经网络和强化学习的疾病传播控制策略。近年来神经网络与深度学习理论被广泛应用于科学计算和数据挖掘领域。由于其对非线性数据的良好拟合性和预测准确性,使得它对于非线性复杂网络中的传播与控制有良好的效果。作者采用了人工神经网络模型,建立用于模拟传染结果的强化学习模型,并将二者整合在所提的基于隔离的SIS疾病传播模型中。以冷启动的方式启动模型,并进行实时的参数训练,最终以贪心策略的方式实现传播代价的最小化。以上研究工作中,多信息传播模型是独立的工作,两种类型的传播控制策略均针对疾病传播提出,后一种是在前一种的基础上进行的补充和提升。