基于遗传算法的超图预算影响力最大化方法

Budgeted Influence Maximization on Hypergraphs Using Genetic Algorithm

摘要: 大规模社交网络的兴起与发展显著改变了信息传播模式，深刻影响了网络节点间的相互作用方式。为了研究超图上的预算影响力最大化问题，提出了多种群遗传算法搜索该问题的最优解。算法采用并行计算框架以提高计算效率。在 5个真实超图数据集上的对比实验中，验证了该算法的有效性和高效性。此外，进一步探索了多种群遗传算法的最佳参数组合，验证了该算法对不同节点代价都具有良好的适应性。

Abstract: search for the optimal solution to the problem. The algorithm uses a parallel computing framework to improve computational efficiency. Comparative experiments on five real hypergraph datasets verify the effectiveness and efficiency of the algorithm. Furthermore, the best parameter combinations for the multi-population genetic algorithm are explored, and its good adaptability to different node costs is verified.