复杂网络理论广泛应用于商务智能领域,关键节点识别是复杂网络理论研究的核心技术,受到了学术界的高度关注。众多学者针对复杂网络的关键节点识别或节点重要性排序等学术问题进行了深入研究,取得了大量研究成果。但随着人工智能和大数据技术在商务领域深入应用,复杂网络的规模呈指数级增长。传统的关键节点识别方法的准确性和实时性已无法满足现实需求。本文主要研究工作如下:(1)首先在图论的基础上分析了规则网络、随机网络、小世界网络、无标度网络等现有经典的复杂网络演化模型,了解各种模型的统计特性为关键节点的定义与识别奠定基础。(2)研究了传统经典和最新出现的复杂网络的关键节点识别算法。传统经典算法包括度中心性、介数中心性、K-核分解和PageRank算法等,新出现的主要有对于经典算法的改进算法、综合性方法等。基于复杂网络的可靠性与网络的拓扑结构等静态指标将关键节点识别的重要性评价方法分为基于传播动力学方法和基于网络鲁棒性方法。(3)基于复杂网络的可靠性与网络的拓扑结构等静态指标构建复杂网络的关键节点识别算法的评价模型。在对深度强化学习与复杂网络研究应用现状分析的基础上,对深度Q网络与关键节点识别的结合方案进行探索。(4)结合网络鲁棒性和网络传播动力学两类方法的优点,提出基于深度Q网络(Deep Q-Network,DQN)的复杂网络关键节点识别方法。通过DQN奖励矩阵设计对现有指标进行整合,训练神经网络参数得到能给出节点之间最优路径策略的模型,定义DQNRank值为经过某节点的最优路径数目与总路径条数的比值,该指标表示节点对于网络中其他节点的控制程度,根据该值大小对节点的重要性进行排序。为了验证所提方法的适用性和有效性,设计了两个仿真实验。实验一将本文方法分别应用于无向无权ARPA网络和无向加权ARPA网络,并与其他四种方法的识别结果做对比分析,使用基于鲁棒性的评价标准对方法进行检验,观察按照重要性排序结果依次移除节点后对网络结构和连通性影响,结果表明,本文方法的得到的子图数目较多且子图规模较小,该方法能够很好地适用于复杂网络关键节点识别问题,且精度较高。实验二使用BBV网络模型模拟构建无向加权的大规模真实网络,结果表明,本文方法对大规模复杂网络具有较好的适用性,能够应用于该类网络的关键节点识别问题。