随着移动边缘计算网络技术与移动智能设备的发展,互联网经济发展迅猛,各类社交网站、通讯工具的出现使得社会网络类型与日俱增,信息传播变得更为方便快捷,节约了联系成本。人类交往方式由线下活动逐渐转移到线上活动,社会网络逐步发展壮大,网上销售平台也随之诞生。受“病毒营销”、“口碑效应”等营销策略的影响,逐步演化出影响力最大化(Influence Maximization,IM)问题,该问题重点研究如何选择出影响力较大用户通过传播模型传播信息影响范围最大。万物互联时代下,信息传播的本质是以任务为载体,进行迁移计算。针对任务迁移问题衍生出迁移路径选择优化问题,该问题研究如何选择出任务迁移最优路径,使得信息传播时延、能耗最小,在移动智能设备有限的能源下传播信息范围最广,这与影响力最大化问题中使得信息传播范围最大为同一优化目标。通过对已有的社会网络影响力最大化问题研究工作发现,现有的工作多数集中在社会网络中消息传播,即网上发布消息;并未深入考虑社会网络中信息传播,即信息在通信过程中的实质性任务迁移。针对以上两个方面,本文主要研究工作如下:对于社会网络中消息传播,多数传播模型为静态传播模型,即使有少部分研究动态传播模型,却忽略了信任这一重要因素。然而,信任关系在信息传播过程中起着至关重要的作用。基于以上两点,引入传播过程中激活节点数量动态变化与节点间信任关系对独立级联模型进行改进,结合社会影响力与库仑力之间的相似性,提出一种基于信任关系的动态社会库仑力(Dynamic Social Coulomb Forces based on Trust Relationships,DSC-TR)模型,构建一种优化的随机贪心(Random Greedy,RG-DPIM)算法求解影响最大化问题。仿真实验结果表明,DSC-TR模型具有较高预测准确度;RG-DPIM算法可以在保证激活节点数量与贪心算法相差不多的情况下,更高效的解决影响力最大化问题。对于社会网络中信息传播,多数任务迁移路径选择优化算法只考虑单一能耗或时延为优化指标,部分研究以联合时延与能耗为优化目标,并未应用影响力最大化方法求解。基于此,将任务迁移路径选择转化为社会网络中影响力最大化问题,构建任务迁移路径优化选择算法。核心思想是将边缘服务器(Edge Server,ES)类比为社会网络节点,通过Kshell方法定义边缘服务器路径影响力,结合贪心与启发式算法的思想提出K-shell影响力最大化任务迁移(K-shell Influence Maximization Task Migration,Ks-IMTM)算法,从而有效降低能耗与时延,提高用户体验质量。