摘要：社交网络影响力最大化问题是一类重要的NP-难问题,在人工智能中有重要的研究价值。在实际生活中,通常需要考虑用户传播信息的成本问题,为了解决信息传播中所需成本问题,设计了一种求解社交网络影响力最大化的置信传播算法。将社交网络影响力最大化问题映射成约束可满足问题,再将约束可满足问题转化为因子图模型,用置信传播算法在因子图模型上进行信息传递,从而推断出所有节点的边缘概率。在真实网络以及人工合成网络数据集上与线性规划算法作实验对比,结果表明:该算法有效。

摘要：针对启发式算法在求解0-1背包问题时易陷入局部最优以及寻优精度低等不足,提出一种求解0-1背包问题的置信传播算法。根据0-1背包问题的线性规划,构造该问题的因子图模型,并基于该模型的特点设计对应的标识函数,进而设计一种求解0-1背包问题的置信传播算法。当算法收敛时,计算每个物体节点的置信度,以确定该物体的装包概率,从而高概率地给出0-1背包问题的解。与其他启发式算法进行了比较,结果表明,该算法具有较好的全局搜索能力。