复杂网络中的传播现象广泛存在于物理和数字世界,包括自然界的生物病毒传播、计算机网络中的蠕虫病毒传播、社交网络中的谣言扩散、网络营销中的品牌推广等。其中,以传染病、病毒、谣言等为代表的负面传播在真实世界进行模拟和控制的难度很大,不仅需要巨额的开销,还面临着控制失败导致病毒泄露或变异的高风险,因此数学模拟和模拟控制成为传播危机中的辅助决策方法。然而,随着网络规模的扩大和结构的复杂化,传统的网络传播模式也发生着巨大变革。现有的传播模型尚不足以充分模拟真实世界的传播现象,以演化计算为代表的随机优化方法在用于解决复杂传播优化问题时也面临适应性不够、效率不高等问题。本文围绕传播动力学中的传播模拟和传播控制两方面展开研究,重点关注疾病传播、病毒传播等负面传播的优化控制问题,以演化计算为主要研究方法,开展面向复杂网络传播优化问题的演化计算方法研究。本文的主要贡献如下:（1）探索了复杂网络中传播问题的分类框架及求解这些问题的演化计算（Evolutionary Computation,EC）方法研究。本文首先综合调研了复杂网络传播的各个研究主题,并将其分为模拟、优化、检测分析三个类别。其中,仿真研究的重点是模拟真实世界的各种传播现象并分析其动力学特性,优化研究集中在负面传播最小化或正面传播最大化,检测分析研究则是关于假新闻内容、传播源头、传播路径等的检测和分析;随后整理了演化计算在复杂网络传播中的应用现状;最后分析了复杂网络传播面临的开放性问题以及相应的演化计算方法设计中的挑战,为该领域的后续研究提供参考。（2）围绕复杂网络的传播动态模拟和传播控制资源模拟问题,针对现有的连续的、抽象的资源描述方法无法很好地拟合现实中的离散资源的挑战,在一种改进的传播模型的基础上,提出了面向负面传播控制的具体的、离散的资源描述模型。现有研究多集中于连续的、抽象资源的分配,它们倾向于将资源映射为传播模型的参数,将资源的分配映射为模型参数取值的调整,从而将负面传播控制问题中的资源分配问题构造为连续型参数优化问题。然而,现实资源多是离散的、具体的商品/服务/设施等,每种资源有其自身的价值和效用,资源的分配有固定的模式,对应的离散资源分配问题实际上是更加复杂的子集选择问题。针对这些挑战,本文评估了负面传播控制中可能存在的资源类型,还原了资源本身的离散特征;借助数学矩阵来单独描述资源的分配,从而将资源实体的分配和网络节点的参数变化区分开来;引入经济学中的“成本-效用分析”、以及“成本-效益分析”,以构建出每种资源的成本函数、直接效用函数、以及所有已分配资源的整体效益函数,从而更清晰地描绘了资源本身的作用和传播模型参数变化之间的联系。（3）围绕疾病传播中的复杂离散资源优化问题,针对现有的连续型随机优化方法无法有效处理离散优化问题、而现有离散型随机优化方法的搜索多样性差且容易陷入局部最优等挑战,提出一种具有优先级规划和层次学习的粒子群优化算法（Swarm Optimizer with Priority-planning and Hierarchical-learning,PHSO）,为复杂离散资源分配问题提供高质量的解。所提算法采用层次粒子群算法作为基本分类器,在将粒子分为多个组后,劣等群体的成员可以向优等群体的成员学习,从而提升搜索多样性;随后通过分层的学习步骤逐步选择具有高优先级资源作为候选资源,从而提升算法收敛速度;最后根据预算的剩余量,对尚未被选中的资源进行候补选择,进一步提升解的质量。针对PHSO的理论分析表明,该算法具有良好的勘探开发能力。通过与一些最先进的演化计算方法进行的对比试验,PHSO展示了其领先的性能优势。在真实的人群接触数据集上开展的模拟实验也充分验证了所提算法的有效性。（4）围绕大规模复杂网络环境下的病毒传播优化问题,针对现有优化方法在面对这类问题中的高维、复杂、非线性的目标函数时存在效率低下和收敛缓慢的挑战,提出一种基于网络社区分解的协同进化算法（Co-Evolutionary Algorithm with NetworkCommunity-based Decomposition,NCD-CEA）,从而有效且高效地求解问题。大规模复杂网络下的传播优化问题存在“维度灾难”的问题。针对这类问题,所提算法考虑根据问题的邻域传播特征和网络的社区结构特征,将问题分而治之。算法包含一种基于网络社团划分的维度分解策略,该策略考虑了一种改进的Louvain算法,在实现网络社团结构检测的同时,能够平衡社团数量和社团规模;算法嵌入了一种新的轮换进化策略来协调子问题和全局问题的求解,通过子种群来求解局部适应度函数,能够减少算法的执行时间,并在一定时间间隔后会启动全局种群的演化以引导子种群的演化,能够增强子种群的搜索多样性、促进全局探索。所提算法为解决大型网络中组合离散资源分配问题进行了新的尝试,在各种复杂网络上进行的对比实验表明,该算法相比当下流行的其他优化方法能提供更高效、更高质量的解。（5）围绕多种情景下的负面传播优化问题,针对现有算法在面对这些具有不同约束条件、不同优化目标的问题场景时存在适应性不足的挑战,设计出一种带启发式信息的多数投票二进制粒子群优化算法（Heuristic Majority-Voting Binary Particle Swarm Optimizer,HMV-BPSO）。算法首先设计了一种类似二分法的修复策略,来快速修复不合格的解,提升算法收敛效率;随后引入了一种与问题特征不直接相关的启发式因子,该启发式因子基于对粒子搜索趋势的经验观察,考虑了种群中的整体资源的概率分布,从而提升算法在不同问题情景下的解的质量。通过在不同类型复杂网络上与其他算法的对比试验,验证了所提算法在解决三类具有不同设定的问题场景时均能取得良好的效果。