随着科学技术的不断发展，人们的生活质量变得越来越高，这一切依赖于周围基础设施网的正常运转。如何才能提高这些基础设施网络的可靠性呢？这就是复杂网络优化要解决的问题之一。本文一方面研究网络鲁棒性的优化，主要是通过分析网络的拓扑结构特性来优化网络的鲁棒性和有效性。另一方面是将复杂网络的分析方法应用到推荐系统领域，从而提高推荐系统的可靠性。具体的研究内容如下：　　1.提出一种改进的模拟退火算法用于提高无标度网络的鲁棒性与有效性。现有的网络优化算法或者只考虑优化网络的鲁棒性，或者只优化有效性，然而，实际中网络的这两方面性能都很重要。基于这个原因，本文在已有鲁棒性指标和有效性指标的基础上，将二者合理地融合在一起，构造出一个综合的评价函数，并采用一种基于变化率的评价模型来迭代优化网络的结构，最终实现了对网络鲁棒性和有效性的同时优化。此外，已有研究表明，高鲁棒性网络的拓扑结构具有一个共同的特点，就是都呈现出一种层状结构，这种结构就像一个洋葱，靠近中心的节点具有较高的度，然后由里向外逐层降低。将这种结构特性作为启发式信息，构造出一种基于类洋葱结构的启发式搜索算子。然后，将启发式搜索和随机搜索结合在一起，提出一种以启发式搜索为主，随机搜索为辅的混合搜索机制。最后，在模拟退火算法的基础上，结合提出的新目标函数以及启发式混合搜索算子，提出了改进的模拟退火算法用于提高无标度网络的鲁棒性与有效性。实验结果表明，文中提出的改进算法能够极大地提高初始网络的鲁棒性和有效性。　　2.基于信息核的推荐算法是近几年出现的新方向，信息核集是由能够反映推荐系统整体信息的那部分用户组成的。如何合理地提取信息核呢？本文在现有基于Rank方法的基础上，对其进行了改进，在评估用户重要性的环节中加入了用户间相似度信息，构造出一种新的提取信息核的方法，并结合基于网络传播的推荐算法对该方法的性能进行了仿真实验，结果表明，改进后的新方法能够提取出更准确的信息核集。此外，对提取出的信息核集做进一步分析，发现信息核集中的那些核用户的平均度并不是很大，但是他们选择过的物品具有较高的平均度，而且他们之间的选择多样性也较高。　　本文工作得到如下基金资助：国家自然科学基金（No.61672405），中央高校基本科研业务费专项资金资助（Nos.JBG160229和 JB170204）。