人类社会中存在许多错综复杂的关系,经过相应的简化和抽象处理,可以用复杂网络表示,比如朋友网,交通网和电力网等。同样,在真实网络中有许多的传播行为,它们都可以用复杂网络的传播动力学来研究。而在传播动力学中,如何选取重要节点进行信息推广,如何选取重要节点抑制疾病一直是值得研究的。以往的研究通常是考虑单种疾病或信息在复杂网络上的传播,而实际生活中,无论是谣言还是疾病,都很大可能出现多种传播源共演化传播现象。其中,协同传播是共演化传播的一种典型情况,比如西班牙流感和肺炎在疾病传播方面相互促进等。因此,本文对协同传播的节点影响力最大化问题进行研究,还分析了基于节点影响力排序的目标免疫对协同传播的影响。本文主要包括以下两方面内容:第一,本文研究了基于协同传播的节点影响力最大化问题。由于真实社会网络中,疾病或者信息的传播可能是两种或两种以上,并且它们之间相互影响,这种情况下的传播动力学及节点重要性度量和单一疾病就有所不同。本文对人工合成网络和真实网络进行分析,在每个网络的协同传播模型中,将每个节点作为初始感染节点,以其最终爆发规模作为排序依据,得到节点的真实排序结果,然后根据几种经典的中心性算法得到节点的中心性排序结果。通过比较真实排序结果和中心性排序结果的准确性函数和Kendall Tau系数,发现网络结构的不同,中心性指标的效果不同。而且在局部(准确性函数)和全局(Kendall Tau)情况下,各中心性的表现一致,即中心性指标的准确性函数值越小,则Kendall Tau系数值越大。最后,本文对比了单种和多种疾病传播下各中心性的表现,发现两种情况下各中心性的表现有差异,侧面证明了本文的研究意义。第二,本文对协同传播模型进行随机免疫和基于中心性排序的目标免疫,分析基于不同排序结果的免疫策略对协同传播的影响。在基于中心性排序的目标免疫中,一般认为,中心性指标能够更准确地预测网络中的重要节点,对其排序结果进行免疫就会有更好的效果。但是,通过分析目标免疫后的协同传播规模及网络的破碎程度,发现基于介数中心性排序和基于接近中心性排序的目标免疫效果最好。但是在部分网络中,这两个指标并不能准确地预测网络中的重要节点。另外,对于随机免疫和目标免疫,与传统的一样,随机免疫效果远远低于目标免疫。