社会网络中的完全影响时间被定义为从一系列的级联效应被触发开始，到最终整个网络中的所有个体都被影响所经历的时间。在实际应用当中，决策者需要在社会网络中找到一个最优的目标集去影响其他个体，从而实现完全影响时间最小，加快影响扩散的速度，这就是完全影响时间最小化问题。然而，在该问题的实际求解过程中，决策者又面临着诸多不确定性：例如被选中的个体有一定的成本，这种成本往往具有部分历史数据，但并不完整，往往又需要专家对其预测，故而存在着随机性和模糊性这两种不确定性。因此，本文遂将混合不确定性引入到了社会网络完全影响时间最小化问题的研究中。　　基于随机模糊理论，本文针对此问题构建了三种不同的决策模型，以满足决策者不同的需求。然后，本文对传统的粒子群算法进行了改进，加入了遗传算法中的遗传机制，并结合随机模糊模拟技术设计出了一套混合智能算法。　　最后，通过一系列的数值实验，既验证了混合智能算法在求解模型时表现出的优越性，也验证了该算法具有较快的收敛速度和较强的空间搜索能力。