社会网络已经成为了个体之间信息交流的主要途径之一,在社会网络中,人们可以实现低成本高效率的信息传播交流。但是如何利用个体之间所构成的社会网络来进行信息的传播,现已成为一个重要的研究内容。影响力最大化问题即如何在特定网络中选取有影响力的一组节点,在特殊传播机制下,让这组节点的影响传播范围最大。随着社会网络规模的不断扩大,在解决影响力最大化的方法中,基于群集智能的启发式算法引起了研究人员的广泛关注,并在效率和效果上都有很好的求解能力。因此,本文以影响力最大化为研究内容,以群集智能算法——粒子群算法（Particle Swarm Optimization,PSO）为方法开展研究。本文的具体研究内容以及相关工作如下:（1）针对社会网络问题,首先系统的阐述了相关定义及理论,分析了网络模型、传播模型、影响力近似估计函数、社会网络的统计特性以及传统影响力度量方式的特点。其次,通过对社会网络的深入学习,研究了解决该问题的方法,编解码机制、影响力评估方法考虑的因素。最后结合影响力最大化问题,研究了粒子群优化算法的求解机制。（2）针对PSO存在易陷入局部最优、搜索能力不足的问题,本文提出了基于邻居认知的离散粒子群优化算法（Neighbor Cognitive Discrete Particle Swarm Optimization,NCDPSO）,并将NCDPSO用于社会网络影响力最大化问题。在NCDPSO的粒子更新过程中,考虑邻居粒子对于当前粒子的影响引入了“邻居认知”学习策略,从而提高PSO的全局搜索能力;同时,引入跟随蜂策略提出粒子密度与生存能力来控制精英克隆的数量,以此来解决PSO的局部搜索能力不足的缺陷。对于社会影响力度量问题,提出了基于三度理论的度量方法,即对于一个粒子的影响是考虑节点三跳之内的所有影响力。通过实验数据分析以及和其他算法的对比,验证了NCDPSO算法的有效性。（3）针对微博网络影响力最大化问题,提出了基于模拟退火的离散粒子群算法（Simulated Annealing Discrete Particle Swarm Optimization,SA-DPSO）。首先,对于微博网络中的影响力度量方式单一的问题,引入了一种结合节点拓扑势以及微博内容自身属性的综合度量方法。其次,在SA-DPSO中,为提高PSO的收敛精度,引入了跟随蜂策略;为了使得PSO不易陷入局部最优采用模拟退火操作;在粒子状态更新方程中,为了体现微博用户自身的属性对于解的影响,在粒子的“自我学习”中加入扰动,来增强粒子的自我学习能力。最后,将改进后的算法应用于微博网络影响力最大化问题,通过与其他方法比较,验证了本文所改进的综合度量方法的性能及改进后算法的优势。