复杂网络的重叠社团挖掘算法用来解决识别复杂网络中重叠社团的问题,有助于获取与了解复杂网络的整体结构特性。由于重叠社团挖掘中一个节点可能属于多个社团,用传统的社团挖掘算法无法识别出同属于多个社团的节点。随着社会和科技的发展,复杂网络的规模越来越大,现有的重叠社团挖掘算法在处理如此大规模的网络时效率较低。因此,需要更快速的算法来更好的应对大型复杂网络中重叠社团挖掘问题。本文提出一种先在整个网络中选取种子,后通过收益函数对种子进行局部优化,发现复杂网络的重叠社团结构的算法。工作主要分为两部分,首先,在整个网络中选取种子,本文提出了两种播种策略:“社团扩张”和“高度节点扩张”。“社团扩张”播种策略使用Louvain算法对网络进行初始划分,将得到的划分结果作为种子集合;“高度节点扩张”播种策略采用度优先的方式选取种子,这里需要注意的是,本文使用的度优先选取种子的方式考虑到已选种子对后续选取种子的影响,在每次确定一个种子之后都对剩余节点的度进行更新。然后,用收益函数对种子集合中的种子依次优化,从每个种子进行扩张。通过收益函数判断邻域节点是否可以加入社团以及社团内部节点是否删减,直到收益函数达到局部最优,确定社团结构。本文提出的算法避免了在挖掘社团的每次迭代中搜索整个网络。本文从理论上对算法的时间复杂度进行分析,并在真实数据集上进行实验,从算法运行时间与实验结果准确性两方面验证算法的性能,且与BigClam算法,OSLOM算法,DEMON算法进行对比。实验结果表明,本文提出的算法中,在通过Louvain算法选取种子时,算法准确率略低于所对比的DEMON算法,但是算法的运行效率高于所对比的三种算法,且明显高于BigClam算法。在使用度优先策略选取种子时,算法的运行效率与准确率均高于所对比的三种算法。本文提出的算法能准确的挖掘出复杂网络中的重叠社团,并具有高效的优点,可以用于大规模复杂网络重叠社团挖掘。