一、问题背景与核心任务最优影响力最大化节点（最优免疫节点）选取给定网络，找到最少数量节点（最优影响者 optimal influencers）满足二选一：传播场景：激活这批最少节点，信息传遍全网（线性阈值 LTM 模型）；免疫 / 防疫场景：移除这批最少节点，全网最大连通分量（巨组件 G）消失，疫情无法大规模扩散。传统方法（度、PageRank、k-core）只看单个节点局部属性，忽略节点之间集体相互干扰（多个高枢纽扎堆，删一个就够，不用全删），效果差；本文提出Collective Influence（CI，集体影响力），基于最优渗流 + 非回溯矩阵 NB，量化节点集体作用，能找出大量弱节点 weak-node：度数很低，但周围多层圈层全是枢纽，是最优破坏点。对LTM的解释：LTM 是复杂网络信息 / 行为扩散最经典两大模型之一（另一个是独立级联 IC 模型），最早由社会学家 Granovetter 1978 年提出，2003 年 Kempe 正式算法化，用于模拟社交网络里观点、商品、谣言、创新如何从少数人扩散到全网。全称 Linear Threshold Model，缩写 LTM，中文：线性阈值模型。核心直观逻辑每个人（网络节点）心里有一道接受门槛；身边已经采纳该事物的好友，带来的总影响力累加值超过门槛，这个人就会被 “激活 / 感染”，开始向外传播。对比 IC 模型：IC 是单次独立传染概率；LTM 是累积影响力达标才激活，更贴合 “多人劝说才改变想法” 的现实。二、关键核心（1）巨组件 G (q)q =移