随着互联网的发展,复杂网络的聚类问题已成为学者们的研究热点之一。对复杂网络的聚类有助于发现网络内部不同类别所包含的节点和连边的紧密性,进而挖掘这类节点的特征相似性;不同类别间的节点具有差异性,并基于差异性挖掘显著性特征。本文对多目标进化算法进行改进,由此衍生出两种基于多目标进化框架的改进算法,并分别将其应用于复杂网络与真实人工数据集。为了准确地发现复杂社区结构,提出一种改进的多目标进化的复杂网络社区检测算法,通过在某一范围内等间距产生多个p参数(偏向参数),再将其代入近邻传播(Affinity Propagation,AP)聚类算法。通过半监督聚类方式确定聚类个数以及产生初始种群,克服传统通过随机方式产生的初始解聚类效果不稳定的缺点。采用模拟退火(Simulated Annealing,SA)算法对多目标进化算法进行改进以提高种群搜索能力,防止寻优过程陷入局部最优解。与多目标进化算法以及基于AP聚类算法的多目标算法的实验结果对比,本文改进的多目标进化算法在总体上效果较好。因此,可以采用本文的算法对复杂网络社区进行更加精确的检测。为了准确地对真实数据集进行聚类,提出一种改进的多目标进化的聚类算法。该算法以多目标进化为框架,先用谱聚类算法对样本特征进行转换,再将模糊C-均值(FCM)聚类算法以及k均值(kmeans)聚类算法进行融合,以初始聚类中心作为迭代的自变量;在计算个体适应度部分加入对FCM、k均值聚类结果的重排序操作和排序结果融合操作,以保证聚类结果的多样性以及各类别之间的均匀性;此外,利用当代的最优个体以及历史最优个体分别与当代其他个体进行二次交叉,形成下一代的新个体,保证了群体的进化趋势;最后,用爬山算法对多目标进化算法进行改进以快速找到最优解。在UCI数据集和人工数据集上的实验表明,该算法具有较高的准确性。