随着图论与网络科学的快速发展,复杂网络成为了现实世界中各类复杂系统的有力建模工具,为揭示各种复杂现象的基本机制提供了有效的途径。近些年伴随着来互联网的大规模普及和快速发展,越来越多的人们将以往的线下生活与生产活动转移到线上,人们的各种社交互动形成了各种社交网络,对这些网络数据进行分析具有十分重要的现实意义。例如“病毒式营销”利用网络中具有影响力的少部分群体来推广产品,通过人们的口口相传来达到最大的影响范围。如何从网络中找出最具影响力的的k个节点,称为种子节点,使其能达到最大的传播范围即影响力最大化问题。寻找最有影响力的节点集是一个具有挑战性的问题,一个简单的方法是使用一些传统的关键节点识别算法,如介数中心性、特征中心性、K-Shell和Page Rank等方法为节点排序,然后选取最大的k个节点作为种子节点。然而种子集合的影响力并不等于每个种子节点影响力的简单叠加,因此使用这种简单的方法选择出的种子节点会有严重的影响力重叠问题。为了解决其中的重叠问题,本文从网络控制的角度提出了一种新的影响力最大化算法,称为GDIM。算法的主要思想是先将网络中的每个节点作为单个的种子节点触发影响力传播,由此构建了一个包含各节点的影响关系的新网络,称为“影响网络”,接着通过寻找影响网络的最小支配集可以得到一个可以激活整个网络的最有影响力的候选种子集,最后再应用贪心算法从中选取影响力最大的种子集。为了验证GDIM算法的有效性,其与度中心性、特征中心性、K-Shell、Page Rank、Spring Rank以及线性阈值模型上的LDAG算法在合成网络以及真实网络上进行了对比实验,实验结果表明GDIM算法在两类网络上都优于其他算法,同时实验还发现GDIM算法获得的种子节点在度和K-核数上取得了更广的分布从而一定程度上解决了影响力重叠的问题。