近些年来,复杂网络的社区结构检测问题逐渐受到各个领域学者的关注。社区结构是复杂网络的重要属性之一,因为网络社区结构揭示了网络重要的信息,有助于我们理解和认识复杂网络的功能单元。最新针对基于多目标进化算法的社区检测方法的研究表明,一方面同时优化多个相互冲突的目标函数,可以有效地克服了单目标优化的社区检测方法中存在的一些缺陷,如模块度的分辨率限制问题。另一方面,基于多目标进化算法的社区检测算法还可以提供一组层次化的网络社区结构。然而,目前的基于多目标进化算法的社区检测算法仅仅适用于小网络的社区检测。因此,探索和研究基于多目标进化算法的大规模复杂网络社区检测算法具有重要意义。本文先将锥面积进化算法应用到复杂网络社区检测问题上,首先将社区检测问题建模成二目标优化问题,并充分利用了锥面积进化算法的优异性能,在此基础上探索更高效的并行社区检测算法。本文的研究工作包括:(1)将社区检测问题建模成两个目标函数互相冲突的二目标优化问题,并提出了基于锥面积进化算法的社区检测算法(Conical Area Community Detection,简称CACD),其主要框架是在二目标优化问题上表现优异的锥面积进化算法(Conical Area Evolutionary Algorithm,简称CAEA)。其中,CACD采用了高效的基于位点的邻接基因型表示法,有效地降低了解空间的复杂度。另外,CACD还采用了适合这种基因型表达方式的标准均匀交叉算子和均匀变异算子。(2)本文提出了基于锥面积进化算法的并行社区检测算法(Parallel Conical Area Evolutionary Algorithm,简称PCACD),在CACD基础上设计了一种称为局部进化主从岛屿模型的并行模型,并同时采用精英解迁移策略,在各岛屿之间分享重要的进化成果,维护算法的解质量。为了更进一步提升算法效率,PCACD还采用了一种称为网络约减的过程,原复杂网络会转化成节点和连边数量更少的小网络,因此算法时间复杂度会跟着减少。(3)实验设计中,本文将一些表现良好的基于多目标进化算法的社区检测算法作为对比算法,并且使用多个人工合成网络和真实网络来全面评估对比算法和本文提出的四个算法变种的性能。在人工合成网络和真实世界网络的实验结果显示,本文设计的算法不但在解质量方面以及在鲁棒性方面要整体优于其他对比算法,而且在运行时间上具有较高的计算效率。