用途：在给定网络与扩散模型下，选出 k 个种子节点以最大化预期信息传播范围，适用于病毒式营销选种子用户、固定预算下最大化传播、对比不同选种策略（度排序、贪心、随机）。
主要能力：支持独立级联（每条边一个概率）与线性阈值（每个节点一个阈值）两种扩散模型；采用带惰性评估的贪心算法（CELF），利用子模性跳过不必要的评估，相比朴素贪心可获约 700 倍加速；用蒙特卡洛模拟估计边际增益；输出种子集合、预期传播量及与随机、top-k 度、top-k PageRank 等基线的对比。
使用方式：先构建网络图，选择扩散模型，设定 k 与传播概率；初始化种子集 S 为空，对候选节点用蒙特卡洛（R=10000 次）估计边际增益 σ(S∪{v})-σ(S)，选增益最高者加入 S，CELF 复用先前边际增益、仅在上界超过当前最优时重新评估，重复至 |S|=k；随后与基线对比验证，最后返回种子集、预期传播量与对比结果。输出为 JSON，含 seeds（节点、边际增益、选择顺序）、expected_spread、baselines 与 metadata（k、模型、模拟次数、节点数）。
适用场景：社交网络选种子、预算受限的传播最大化、策略对比。不适用于测量已有影响力（应用中心性指标）或社区结构分析（应用社区发现）。
限制与注意：问题为 NP-hard，贪心仅有 (1-1/e)≈63% 近似保证；蒙特卡洛存在方差，R=1000 时约 5% 波动，比较接近候选时建议 R=10000 以上；IC 与 LT 会产生不同最优种子集；真实边概率通常未知，常用均匀（p=0.01-0.1）、按入度倒数加权或从级联数据学习；即使有 CELF，百万级节点仍需 IMM、TIM+ 等草图近似方法。k=1 时选个体传播最高节点；k 超过社区数时每社区一个种子更优；极稀疏图传播量普遍很小。