随着网络技术和社会需求的快速发展,各行各业与互联网的结合产生了大量的复杂系统。研究者们将这些复杂系统抽象为复杂网络进行研究,以此来揭示其蕴含的规律和行为特征,挖掘深层次的价值和意义。复杂网络的一个共同特性就是社区结构,即将网络划分成各个分区内部联系紧密,外部联系稀松的集群。社区发现是近年来研究的热点问题,研究复杂网络的社区结构有助于我们分析网络中个体之间的共同特性以及整体与部分之间的关系。本文从单目标优化和多目标优化两个方面对社区发现进行研究,主要工作如下:(1)系统地介绍了复杂网络社区发现的研究基础和进展,分类列举目前常用的复杂网络社区发现算法,并分析了不同社区发现算法的优缺点,发现这些算法大多在大型网络上应用效果不好,并且部分算法必须设置先验知识,这使得算法的可用性降低。本文对遗传算法进行了详细的说明,分析了遗传算法在社区发现问题上的可行性和适用性。(2)提出了一种基于模块度优化的社区发现算法,改进了传统的交叉算子和变异算子,将标签传播的思想引入到交叉算子中,使用已产生的社区结构进行交叉,加强了算法的局部搜索能力。将变异控制在已产生的社区结构之间,避免了无效的变异操作。(3)在标准NSGA2算法框架下,使用标签传播的思想来改进传统的交叉算子,提出一种基于多目标优化的社区发现算法。该算法以KKM和RC作为目标函数,采用基于数字字符的编码方式,将种群进行随机初始化,并使用本文中提出的改进交叉算子和变异算子进行操作,从而实现种群的进化。本文提出的两个算法均在人工网络和真实网络数据集上进行了实验,并与其它经典社区发现算法进行比较。实验结果表明本文提出的算法在求解精度上有一定的提高,能够有效检测出复杂网络中存在的社区结构。