网络在人们的生活中随处可见,在网络中,个体往往通过交换信息形成社区。对社区的发现问题是复杂网络研究中的一个基础性研究课题,它要求社区具有紧密的社区内结构和稀疏的社区间结构,这就可以将社区发现问题转化为多目标优化问题,而多目标粒子群算法是解决该问题的一种有效方法。在动态网络中,网络的拓扑结构随时间的变化而变化,根据这个特点,本文提出了基于共识社区的多目标粒子群算法(CCPSO)。并将共识社区分为两种:种群内共识社区,即从上一时刻的优质解中提取得到的“知识”,反映了上一时刻网络的共性。种群间共识社区是将上一时刻的“知识”作为指导,在本时刻通过计算支持度,动态的嵌入种群中,从而使网络朝着接近前一时刻的方向发展。通过人造数据集和现实世界数据集验证了算法在动态网络上的准确性,并对相关参数进行实验验证其合理性。而在静态网络中,多目标粒子群算法使用直观而且简单的邻接矩阵方式,忽略了网络中的隐藏信息。本文将网络表示学习方法用于静态网络社区发现,提出了基于生成对抗模型的多目标粒子群算法(GAN-PSO)。本文通过生成对抗模型学习网络结点的特征表示,模拟真实网络结构。再利用得到的特征矩阵,改进粒子群算法的初始化过程和目标函数的计算过程。并在人造数据集和现实世界数据集中进行的实验,实验结果有较大提升,表明该算法是具有实际意义的。