社交网络影响最大化问题就是从网络中找出一部分最具影响力的群体作为传播源,让信息在网络中得到快速而充分的传播。对社交网络影响最大化问题的研究,有利于了解社交网络中影响和信息的扩散机制,同时还为谣言控制、传染病预防、用户推荐等相关研究提供了一定的理论基础。在社交网络影响最大化领域,Kempe等人已经证明对影响最大化问题的求解是NP难的。目前对于社交网络影响最大化问题的解决途径主要分为了以下几种方式:基于贪婪算法的改进,基于网络结构特性的启发式算法,基于社区分类的算法以及各种智能优化算法。但是,当前影响最大化算法依然存在着蒙特卡罗模拟耗时、种子节点影响评估函数准确度低以及现有进化算法的低效率搜索、容易陷入局部最优解等问题。为了更好地解决社交网络影响最大化问题,本文基于改进的进化算法去搜索出复杂网络中最具影响力的k个种子节点。（1）为了改进影响最大化算法在评估网络节点真实影响值时的时间效率,本文提出了一个种子节点影响评估函数LIEEX来代替耗时的蒙特卡洛模拟,从而提高算法在种子节点影响评估阶段的效率和准确度。（2）为了改进遗传算法在面对中大型社交网络时的低效率搜索问题,本文根据提出的种子节点集影响评估函数,首先基于节点扩散度中心性对种群个体进行初始化操作,接着采用了一种交叉策略来帮助遗传算法达到局部搜索的目的,最后设计了一个方向向量来引导种群个体朝着全局最优解的方向前进,从而避免传统遗传算法在突变操作阶段的低效率搜索。在最终的实验结果上,改进的GA-PSO遗传算法接近最优的CELF算法。在性能表现上,优于传统的GA遗传算法。（3）为了改进离散粒子群算法容易陷入局部最优解的问题,本文采用了模拟退火算法中概率跳出最优解的思想,来提高粒子群算法全局搜索的效率。此外,考虑到复杂网络中的社区聚类特点,为了进一步提高影响最大化算法在评估种子节点影响范围阶段的效率和准确度。将采用节点在社区内的影响评估去代替节点在全局范围的影响,即基于社区重要度排名和社区内节点扩散度值排名,为种群个体位置进行初始化操作,来避免当前离散粒子群算法初始化操作所造成的候选种子节点集影响重叠问题,从而为粒子群算法在进化的开端提供良好的基础性能保证。通过在四个真实复杂网络上的实验数据表明,改进的C＿PSOSA算法改善了传统粒子群算法在初始化阶段存在的节点集影响重叠问题,以及在更新操作阶段存在的容易陷入局部最优解问题。本文研究了社交网络上的影响最大化问题,针对当前遗传算法和离散粒子群算法在运行效率上的不足,采用了混合智能优化算法的思想,来分别提高遗传算法的突变搜索效率和粒子群算法跳出局部最优解的游走效率,改进的进化算法具有不错的性能表现和时间效率。