脑网络的模块化是一类重要的工具,它有助于理解大脑结构及功能的发展情况。目前,已经有许多社区检测方法在脑功能网络或者脑结构网络上基于单目标来执行,然而从结构到功能的这种联合模块变化过程中,模块间是如何关联的还不得而知,需要进一步的研究。针对这一现象,多目标优化算法正好派上用场。多目标优化算法指的是选取多个子目标,在同时优化不同的子目标时会产生一系列的解,经过一轮又一轮的迭代,最终可以得到一组最优解,即Pareto Front。本文利用多目标优化算法,提出一种叫做社区链(Community Chain,CC)的新颖技术框架来探索联合模块的社区结构。首先,本文利用脑成像技术并结合社区检测算法,从个体水平出发,来获取不同个体的结构网络与功能网络的一致性划分、结构分辨率参数以及对应的邻接矩阵。再利用个体得到的一致性划分,来构建具有个体共同特性的群体网络,类似的,本文构建出具有代表性的群体结构网络与群体功能网络。接下来,基于多目标优化算法(Multi-objective Optimization Algorithm)NSGA-II来设计并实现本文提出的技术框架——社区链。NSGA-II中选取了两个目标函数,其中一个来自于脑结构网络,另一个来自于脑功能网络。计算了从脑结构网络到脑功能网络的模块度(modularity)极大值及其对应的社区划分。为了能够获得更好的局部最优解与全局最优解,多次运行实验,不断的调整并优化的相关参数(包括遗传操作与社区划分中的参数),从而形成较为连续的Pareto前沿面(Pareto Front),使得得到的最优解具有较好的收敛性与鲁棒性。最后,分别从个体水平与群体水平出发,本文研究了Pareto前沿面上一系列解的主要组成部分以及脑区域的变化情况,从而来分析脑结构网络与脑功能网络交叉模块的变化特性。在这个过程中发现,(1)从所有个体的脑区域平均变化率来看,左右半脑的变化情况基本相同,其中几大主要模块,如视觉模块(VIS),躯体运动模块(SOM)等在这个过程中表现稳定,都会一直存在。而全脑下半区中额顶的控制模块(FPC)与默认模式网络模块(DMN)附近的区域,如复杂体PFm区等变化较为剧烈。(2)这一现象在群体水平上基本吻合,且表现得更为显著。(3)本文揭示了个体Pareto前沿面上节点的变化率与个体的年龄、认知能力以及行为能力之间的弱关联性。