近日，数理医学院袁景教授团队在计算机科学与智能计算领域国际顶级期刊IEEE Transactions on Systems, Man, and Cybernetics: Systems上发表了题为“Hybrid Method for Bounded Cost Check-in Deployments: Theory and Practice”的高水平研究论文（DOI: 10.1109/TSMC.2025.3647527）。浙江师范大学为论文的通讯单位，袁景教授为通讯作者。合作者包括西安电子科技大学白艺光副教授（第一作者，袁景教授曾指导的博士生且一直保持密切合作）、数理医学院硕士生董丞、数理医学院教授Marcello Pelillo。

    复杂网络中关键节点的识别与部署优化问题广泛存在于人脑神经网络、交通运输、物流系统、通信网络、电力系统以及社会网络等广泛实际场景中。如何在有限成本约束下，通过分析复杂网络中的关键节点以达到覆盖尽可能多的网络最短路径，是复杂系统优化与网络控制中的核心难题之一。该问题在人脑神经网络分析、电力网络设计、高速公路安检站布设、物流仓储节点选址、5G基站部署以及关键基础设施监测等领域均具有重要的理论意义和应用价值。

    针对现有方法在理论性能界限和实际部署效果之间难以兼顾的问题，研究团队首次提出了有限成本约束下最短路径最大覆盖问题（MCLC），并构建了一种融合理论分析与工程实践的混合贪婪（Hybrid Greedy, HG）算法框架。该算法创新性地结合了“覆盖优先”和“贡献优先”两种贪婪策略，并引入多种精细化优化机制，在保证计算效率的同时显著提升了解的质量。在理论层面，论文严格证明了所提出算法在最坏情况下的近似性能下界，其结果相较于现有方法实现了近似比翻倍的突破性提升，为解决大规模复杂网络中的节点优化部署问题的算法创新提供了强大的数学理论基础。在实践层面，研究团队进一步提出了一种基于Pearson相关系数的性能预测准则，能够有效判断在不同网络结构与成本约束条件下，何时以及为何所提出的方法能够优于其他主流算法，为工程应用中的算法选择提供了重要指导。大量在合成网络与真实复杂网络上的实验结果表明，该方法在覆盖效率、成本控制与计算稳定性等方面均显著优于现有代表性算法，充分验证了其理论分析的正确性和工程应用的可行性。

    该研究成果不仅为复杂网络中关键节点部署与系统优化问题提供了新的理论工具，也为相关方法在真实系统中的落地应用奠定了坚实基础，进一步提升了学院在计算机科学、复杂网络与智能系统交叉研究领域的学术影响力。未来，研究团队计划将该方法进一步拓展至大脑神经元网络分析、人脑退行性疾病诊疗、动态网络分析与智能决策框架中，推动其在更广泛临床与工程场景中的应用。

图1. 所提出用于求解MCLC问题的混合方法整体框架。该框架的核心是一个数据驱动的预判模块（中部）。通过计算Pearson相关系数，该模块对求解流程进行引导：当相关系数较大且为正时，激活HG方法（左）；当相关系数较小或为负时，激活经典的双贪婪方法（右）。其中，HG方法融合了混合选择阶段与精细化优化阶段，以提升解的质量；双贪婪方法则分别评估“覆盖优先”和“贡献优先”两种启发式策略，并从中选择最终最优的节点集合。

    据悉，IEEE Transactions on Systems, Man, and Cybernetics: Systems一直是中科院1区Top期刊，在计算机科学、复杂系统分析、人工智能决策等领域具有重要国际影响力。