随着互联网的飞速发展,人们之间的沟通变得更加实时便利。科技的进步在满足人类社交需求的同时,也极大拓宽了人们的社交圈,人们的社交关系所构成的社交网络规模也越来越大。如何利用社交网络更好地传播信息,使得影响传播最大化是一个十分现实而具有挑战的问题。而在很多实际应用场景下,成本预算是一个很重要的因素,目前针对成本约束下的影响最大化的研究还寥寥可数,有待进一步地研究。本文提出了一种基于社区检测的蚁群系统（Community Detection-based Ant Colony System,CDACS）算法进行社交网络节点的选取,以解决成本约束条件下的影响最大化问题。首先我们给出了成本约束下影响最大化问题的数学模型,并将评估函数设计为罚函数的形式,以保证算法的优化结果满足成本约束的可靠性。其次,考虑到节点的影响力和选取成本,我们重新设计了启发式信息和信息素的初始化公式,方便蚂蚁更好地利用网络图信息彼此协作进行解的探索。此外,CDACS算法将社区发现与蚁群系统的算法框架相结合,并引入了跨社区访问因子以指导蚂蚁进行种子节点的跨社区搜索,从而在提高算法运行效率的同时,显著提升了算法的性能。在不同的人工数据集和真实的网络数据集下的实验结果表明,本文提出的算法在不同的限制成本下取得了优于其他对比算法的覆盖率,并对不同算法在不同数据集和限制成本下的结果进行了非参数检验,进一步说明了算法结果的显著性。不仅如此,本文比较了不同算法运行时的收敛速度,并对本文提出的算法进行了时间复杂度分析,说明了该算法在优化此类问题的高效性。此外,考虑到算法运行可能出现的极端情况,CDACS算法也进行了相应的处理,增强了算法的鲁棒性。最后,本文对所提出的跨社区访问因子参数进行了探究,指出其对算法的性能和运行时间的影响,并给出了跨社区访问因子的推荐值,以保证算法结果的可靠性。