复杂网络理论是复杂性科学研究的重要手段,长期以来受到各学科研究人员的广泛青睐。社区结构是复杂网络的结构特征之一,有明显社区结构的网络具有局部聚集的特性,可以充分体现系统整体和部分的关系。社区发现的目的是发现复杂网络中的社区结构,通过社区发现可以分析网络错综复杂的拓扑结构,进而分析发现社区结构在节点预测、网络传播、同步以及控制等动力学方面的影响和作用,因此社区发现具有十分重要的理论意义和实际价值。社区发现的算法层出不穷,其中基于模块度函数的优化算法是一个重要分支。目前已有遗传算法、蚁群算法、粒子群算法、蝙蝠算法等智能优化算法应用在该领域,本文针对现有智能算法求解模块度函数收敛速度慢、求解精度低等问题进行研究,提出改进算法,主要研究工作和成果如下:从基本鲸鱼算法入手,详细分析鲸鱼算法的基本原理和流程,鲸鱼算法虽然操作简单,参数少,但是算法的搜索在很大程度上依赖于参数的随机性。因此,提出一种改进的鲸鱼算法,即在算法中加入惯性权重因子,并用23组函数测试其性能。仿真实验表明,改进算法在收敛速度和收敛精度上都优于原始鲸鱼算法,从而证明了算法的有效性。针对复杂网络的应用场景,提出一种改进的离散鲸鱼算法。改进算法首先采用基于字符的编码方式,对部分鲸鱼采用基于节点重要性的标签传播算法进行初始化,剩余部分采用原始的标签传播算法,以保证种群的多样性;其次在位置更新中采用不同的策略,加入惯性权重算子,增强了局部搜索能力;融入单路交叉算法,增加了种群的多样性以及全局搜索能力;最后用免疫克隆选择算子提高算法的搜索效率。仿真实验首先在七个真实网络中进行,并对比其他几种算法,证明该算法具有较好的适应度值和较快的收敛速度,从而验证算法的有效性与可行性。最终给出Karate网络和Dolphin网络的可视化效果图,更加清晰的显示出了改进算法的有效性。