近年来,随着计算机技术的飞速发展,社交网络得到广泛应用,在社交网络中,能够认识结交新的好友,发布共享信息,为广大的互联网用户提供了极大便利。在社交网络的普及和应用的过程中,产生了影响力最大化问题。该问题应用方面广、发展前景大,是复杂网络研究中的热点和难点问题。为解决影响力最大化问题,诸多专家学者先后提出了贪心算法和启发式算法,在一定程度上都能较好地解决问题。但是,随着网络规模逐渐变大、网络拓扑结构不断变化、网络中的用户频繁增减,影响力最大化问题的研究重心已经从静态网络逐步转向动态网络。动态复杂网络中的影响力最大化问题需要考虑三个方面:一是如何选取合适的影响力传播模型,针对不同的网络结构,也会有不同的选择;二是如何准确评估节点影响力,目前主要依靠一些中心性指标进行评估;三是如何选取种子节点,既要保证最终影响力足够大,又不能使用时间复杂度过大的算法。针对上述存在的若干问题,本文结合现有影响力最大化算法,从以下三个方面进行分析研究:(1)引用了熵的概念,提出了传播熵的概念,用来评估节点的影响力。与传统的度中心性、介数中心性和接近中心性相比,传播熵在考虑节点自身的影响力的同时,更加注重节点位置和多阶邻居的影响力。并在一个小型网络中验证,传播熵可以更准确地评价一个节点的影响力和重要性,并且可以对节点的影响力进行更精确的排序。(2)提出了一种基于传播熵的启发式算法。该算法首先选取当前网络中心核层里传播熵最大的节点作为种子节点,之后计算候选节点和种子节点的共同邻居程度,对部分节点作折扣运算和覆盖处理,从中选出与种子节点共同邻居较少、传播熵较大的节点作为新的种子节点。该算法在每轮次都尽可能选取影响力较大的节点作为种子节点的同时,也能保证种子节点足够分散,减小影响力重叠,使最终的影响力传播范围足够大。(3)选取传染病模型,在四个公开的网络数据集上进行实验,并与现有的4种求解影响力最大化问题的算法进行比较,通过实验验证,本文提出的算法在可以相对较短的时间内可以选取出影响力传播范围较大的种子节点集合,证明该算法有效可行并具有一定的先进性。