我们生活在网络的世界中。从线上的微博、微信等社交网络到线下的朋友、同事人际关系网络,再到工程中的电力网络、计算机通讯网络等,尽管网络形式多种多样,网络中的节点和连边代表的物理意义也千差万别,但几乎所有的网络中都存在某种传播现象,例如社交网络中的谣言传播、微博营销账号的广告转发、计算机病毒传播,以及近一段时间的新冠病毒在人群中的传播。从学术角度来看,与传播现象密切相关的一个课题是哪些因素会影响传播的效果。我们既可以从调整网络结构方面入手,使的网络更有利于传播,也可以固定网络结构,而考虑如何选取传播初始的种子节点,才能使最终传播覆盖的范围最广。后者在网络科学中被称为影响力最大化问题。这也是本文的研究重点。近年来已有不少学者对网络传播影响力最大化问题进行了深入研究。早期主要研究方向是贪心算法及其改进策略,但是由于时间复杂度过高,无法应对大规模网络。近年来计算效率更高的启发式算法逐渐成为研究的热点。本文以传播影响力最大化为优化目标,在经典的启发式算法的基础上,考虑网络传播模型和网络节点中心性指标两个方面,提出了若干网络传播初始节点选择策略。主要研究内容和创新点如下:(1)研究了网络结构对序贯选种策略传播效果的影响。不同于初始时刻一次性选择传播种子节点,序贯选种策略可以有效的利用当前已有的传播信息,进行多次选种优化,最终扩大传播范围。本研究中假设传播模型为独立级联模型(IC,Independent Cascade),而网络结构是可调的。通过调节度分布、度相关性等参数,系统性的构造了若干具有典型性的网络结构。通过在人工构造网络和实际网络上的仿真分析发现,序贯选种策略在度分布异质的网络中表现最好,而较小的网络平均度值和较大的度相关性也有利于序贯选种策略下的传播。(2)提出了影响力加权级联传播模型(PWC,Persuasiveness Weighted Cascade),并基于此模型研究了序贯选种策略。在传统的独立级联模型IC中,不同个体具有相同的影响力,但在现实世界的网络传播中,个体经常会有影响力大小的区别。受此启发,PWC模型中个体的影响力与它的邻居节点个数相关,邻居节点越多,其影响力也就越大。在PWC模型基础上,构造了基于期望收益(Expected-Benefit)的启发式算法,基本思想是对已选择的种子节点的邻居节点进行期望收益折扣计算,从而避免选择相连的种子节点造成影响力的重叠。通过基于实际网络结构的仿真验证了算法相比于传统节点中心性指标(如度中心性、中介中心性等)的优越性。