在线社交网络的快速发展引起了人们对信息传播的广泛关注,这对于现实生活中许多实际问题的应用都起到了很大的作用。影响力最大化(Influence Maximization,IM)是信息传播领域中的经典问题,它旨在从网络中选择K个节点,通过特定的信息传播模型,使得其在网络中产生最大的影响范围。然而,随着社交媒体爆炸式增长,各种社交平台不断地涌现,基于单一网络的信息传播已经无法满足人们的需求,这种变化的直接影响之一就是基于病毒营销的应用,如在单个网络上进行产品的推广,不能满足推广的广度要求,很可能单个网络上的用户数量无法达到推广的目标人群,或者广告公司期望在多个网络平台上找到K个用户,以最大限度地扩大传播范围。因此,跨社交媒体平台的信息传播逐渐成为学术界和工业界关注的焦点。丰富的社交网络既给人们在社交需求方面提供便利,又给一些企业在产品营销方面提供新的思路。它使得一些公司通过网络营销的方式来选择一些有影响力的用户,并通过这些用户利用网络社交等方式向其他用户推荐该产品,最终使得在互联网上了解或购买该产品的人数达到最大化。与传统的产品推广方法相比,该方法具有投资少、广告投放精准等优点。尽管有着巨大的应用潜力,但针对更加复杂的多层网络影响力最大化的研究相对较少。而本质上多重社交媒体平台可被建模为一个多层网络,其中每层网络之间可被看作是通过特定的用户连接着。一个这样的现实场景就是一个用户同时管理着多个社交账号,使得信息可以在不同社交媒体平台之间相互传播。以往研究中大多忽略了现实生活中信息传播是多影响因素的综合效果,并且传播的空间并不局限在单一的网络中这一客观事实,因此在更加复杂的网络中研究信息传播规律,将有助于揭示影响网络信息传播的关键因素。此外,现有的影响力最大化研究大多数依赖于贪心算法并且只能获得单一的解决方案,而且这种解决方案可能偏向于预定义的子模函数来进行优化。有鉴于此,本文将重点研究在多层网络中如何使得影响力最大化。具体而言,我们首先定义了关于在多层网络中信息传播过程的一些新颖的概念;然后,将多层网络中影响力最大化问题构建成一个多目标优化问题并采用经典的非支配排序遗传算法(NSGA-II)来找到一组帕累托最优解使得它可以为决策者提供广泛的选择。为了保持种群的多样性以及加速算法的收敛,本文将结合使用一种启发式种群初始化策略和一种有效的两点交叉操作。最后,本文在真实的数据集上做了大量实验,结果表明本文的算法同现有的影响力最大化算法相比在影响范围和运行时间方面具有较大的竞争优势。