1.一种基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法，其特征在于，包括如下步骤：S1、对引文网络预处理，将目标网络进行转换，得到一个目标网络的邻接矩阵，并对该引文网络做反向操作，得到反向网络；

S2、在S1所述的反向网络中，根据LRDiscount算法对网络的节点影响力进行折扣计算，从而得到折扣后的节点影响力，并依次选择值最大的节点并添加到候选节点集C；

S3、利用改进离散乌鸦搜索算法的局部优化过程对候选节点集C进行优化，候选节点集即为候选乌鸦群，所述改进离散乌鸦搜索算法在传统离散乌鸦搜索算法基础上增加并行化迭代处理，即离散乌鸦搜索在每次迭代时只与当前乌鸦个体对应的记忆向量作对比，从而更新记忆向量以满足乌鸦个体位置向量的更新，得到优化后的节点集C*；

S3.1、对离散乌鸦搜索算法框架IDCSA中的各项数据进行初始化工作，其中，乌鸦群体规模为N，待求解的种子节点集合为k，最大迭代次数tmax，感知概率AP及局部搜索节点近邻域范围S初始参数；

S3.2、依据步骤S2中得到的候选节点集C作为候选乌鸦群，从而初始化乌鸦种群的位置向量xi＝(node1,node2,…,noden)，记忆向量Memoryt-1＝[m1,m2,…,mn]-1；并从初始化种群中选择初始最优解位置向量X*；

S3.3、基于节点编码与对乌鸦群体位置向量和记忆向量的离散化表示后，构建网络空间的离散化搜索规则：其中，R(ri,s)为局部搜索机制，符号“∩”定义为一种逻辑交叉操作，其目的在于比较两位置向量是否存在重复节点；

S3.4、基于步骤S2中产生的候选节点集C的节点池，定义目标函数来计算N个乌鸦个体的函数拟合值，采用局部影响力评估函数LIE来进行乌鸦位置向量进化中对种子节点影响力的近似评估：S3.5、对候选节点集C中各节点的2阶邻居节点根据改进的离散乌鸦搜索算法进行局部优化搜索，若某2邻居节点的边际收益值相对该节点自身的边际收益大，则用2阶邻居节点替换当前最优解中的该节点，重复执行，直到最大迭代次数tmax达到上限；

S4、最后从优化后的节点集C*中选择最优的集合，并进行节点影响力评估，从而得到最终k个关键种子节点。

2.根据权利要求1所述的基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法，其特征在于，所述步骤S2中获取候选种子集C的具体步骤为：S2.1、在反向网络中增加一个背景节点bg，将其与网络中所有节点相连接，从而得到一个强连通的N+1个节点的新网络；

S2.2、给背景节点bg之外的N个节点分配1单位的LR值，背景节点bg的LR值为0；

S2.3、将这1单位的LR值平均分配给其直接相连的出邻居节点，不断迭代直到达到稳定状态：其中，为节点vj的出度，wji为邻接矩阵元素，表示节点vj与节点vi之间存在边，则wji＝1，否则为0；

S2.4、当迭代结束后，将背景节点bg的LR值LRbg(tc)均分给网络中的所有节点，得到节点vi的最终LR值；

S2.5、折扣策略算法LRDiscount通过对每个种子节点的邻居节点的影响力进行折扣，即在反向网络中，对每个指向种子节点的节点影响力进行折扣，从而得到折扣后的节点影响力：其中，S为种子节点集合，表示节点vi的邻居节点中种子节点的数量占所有邻居节点数量之比；

S2.6、根据最终得到的节点影响力，在INF中依次选择值最大的节点并添加到候选节点集C中。

3.根据权利要求1所述的基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法，其特征在于，所述步骤S3.5中根据改进的乌鸦搜索算法对节点集进行局部优化搜索的具体步骤为：

1)计算当前乌鸦个体i与被跟踪乌鸦个体j的最优位置向量差在此基础上，进行交叉操作得到决策向量Vnode后判断是否进行局部搜索优化；

2)将节点xi的一阶直接邻居节点存入节点集Neighbors中，再依次对该节点进行遍历，找出其2跳近邻节点集并纳入节点集NodeSet中，等到每个节点的一阶邻居节点遍历完成后，对节点集NodeSet进行去重，保证2跳近邻节点没有重复节点存在；

3)依次计算出种子集位置向量xi在对应位置的节点被其近邻节点代替后的LIE适配值，并选择这些近邻节点集NodeSet中能够在xi向量中带来最大收益的节点，将对应的xi向量中的节点进行替换。

4.根据权利要求1所述的基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法，其特征在于，所述S4中当局部搜索优化迭代次数达到tmax后所得节点集C*，节点集C*中的节点通过影响力最大化算法选出k个关键节点集。