Influence Maximization in Hypergraphs Using A Genetic Algorithm with New Initialization and Evaluation Methods

影响最大化（IM）是与分析现实世界中的复杂网络（如社交网络、疾病传播网络和营销网络）相关的关键优化任务。迄今为止有关IM问题的出版物主要关注图形，这些图形无法捕捉来自现实世界的高阶交互关系。因此，使用超图解决IM问题已经受到越来越多的关注。然而，识别超图中最有影响力的节点仍然具有挑战性，主要是因为节点和超边通常强烈耦合和相关。在本文中，为了有效地识别最有影响力的节点，我们首先提出了一种新颖的超图独立级联模型，该模型整合了节点和超边故障的影响。然后，我们引入遗传算法（GA）来识别利用超图集体影响力的最有影响力的节点。在基于GA的方法中，超图集体影响力被有效地用于初始化种群，从而提高了初始候选解的质量。设计的适应度函数考虑了节点和超边的联合影响。这确保了最佳节点集对节点和超边的最佳影响被准确评估。此外，通过引入因素（即节点在超图中的集体影响和重叠效应），设计了一个新的变异算子，以繁殖高质量的后代。在实验中，对合成和真实超图进行了多个模拟，结果表明所提出的方法优于比较方法。

该论文旨在解决超图中影响力最大化问题，即如何有效地识别最具影响力的节点。

该论文提出了一个新的超图独立级联模型，将节点和超边的影响结合起来，并使用遗传算法来识别最具影响力的节点。

该论文的亮点包括使用超图独立级联模型和遗传算法来识别最具影响力的节点，并设计了新的变异算子。实验结果表明，该方法优于现有的方法。

在该领域的相关研究包括使用图来解决影响力最大化问题的研究，以及使用超图来解决该问题的研究。