关于影响力最大化问题中贪心算法的一些理解

        在影响力最大化问题中（Influence Maximization，以下简称IM），贪心算法是最早提出的一种解决方法，并且一直沿用至今。它基于IM问题所具有的单调性（Monotonicity）和子模性（Submodularity）使用一种Hill Climbing策略，不断使用Monte Carlo模拟来寻找在当前情况下的具有最大传播范围的节点，添加至种子集合，得到最终结果，算法伪代码如下所示：

        这里算法1其实并没有使用Monte Carlo模拟，而只是使用了贪心的策略，表示在可以准确估计任意节点集S的传播范围的这种理想情况下，通过贪心策略逐步得到结果的过程。

        而在实际情况中，我们无法预先得到节点集S的真实传播范围，只能通过Monte Carlo模拟来估计它的影响范围，故真实的贪心算法如算法2所示：

其中S表示最终得到的种子集结果，k表示最终种子集的大小，R表示每次迭代中，所进行Monte Carlo模拟次数。

        Kempe[1]和Chen Wei[2]证明了贪心算法在R满足一定条件的情况下，可以达到