針對成本控制下的影響最大化算法

　　針對成本控制下影響最大化時間復雜度高的問題，提出一種快速的最大化算法BCIM。首先提出對初始節點進行多次傳播的傳播模型；其次選擇高影響力節點作為備用種子，并基于近距離影響減少計算節點影響范圍的工作量；最后利用動態規劃方法在每組備用種子中最多選擇一個種子。仿真實驗表明，與隨機算法Random、每輪取影響力增量最大的節點的貪心算法Greedy_MII、每輪取影響力增量與成本比值最大的節點的貪心算法Greedy_MICR相比，在影響范圍上，BICM接近或優于Greedy_MICR及Greedy_MII，遠次于Random；在種子集合的質量上，BCIM、Greedy_MICR、G reedy_MII三者差距較小，但都遠遠好于Random；在運行時間上，BCIM是Random的幾倍，而兩個貪心算法都是BCIM的幾百倍。BCIM算法能在較短時間內找到更有效的種子集合。