21世纪,随着科技的迅猛发展,信息领域日新月异,各种网络应用层出不穷。其中,各种购物网站、社交网站、在线社区的快速发展,正潜移默化地改变着我们的生活方式、思维方式。在这样的时代背景下,符号网络在理解、预测复杂网络的拓扑结构、功能、动态发展方面的研究意义越来越明显,如在个性化推荐、用户态度预测方面,整合负边信息,能够提高推荐、预测的准确度。符号网络结构平衡也引起了众多学者的关注,并取得了很多有意义的成果。但是研究多是基于启发式方法或单目标优化,单次运行所得结果单一,在应用中会有很大的局限性。本硕士论文主要针对符号网络的结构平衡进行研究,从多目标优化的角度出发,结合影响网络平衡的具体因素,提出了一种多目标优化模型和基于子集的局部搜索策略。本论文具体所做的工作如下:(1)对研究符号网络结构平衡的论文进行了大量阅读,理解了符号网络的意义,并对现存的符号网络结构平衡算法有了宏观上的理解。(2)从多目标优化角度出发,以弱平衡理论为基础,根据符号网络中不平衡因素的两个方面,将符号网络结构平衡问题建模为多目标优化问题。该模型包含两个目标函数negin、posout,分别表示网络划分中子集内的负边总数目,子集间的正边总数目。由于MOEA/D算法计算复杂度相对较低且生成的Pareto前沿面均匀等特点,本文采用MOEA/D算法作为算法框架,同时,结合具体的符号网络结构平衡问题,充分利用网络的拓扑信息,选取one-way交叉算子和基于节点正邻域的变异算子,设计了MOEA/D-SNB算法解决上述多目标优化问题。通过在人工合成网络和真实网络数据集上同MODPSO、FEC算法的大量对比实验,验证了上述方法在处理结构平衡问题上的有效性。(3)为了进一步提高MOEA/D-SNB算法的搜索力度,结合符号网络结构平衡特性,设计了基于子集的局部搜索策略。该策略侧重于优化多目标模型中的posout函数。从子集的角度,定义了网络划分的邻域。基于贪婪思想,网络划分在每个邻域内寻找能使其posout值降低最多的邻居来进行更新。依次遍历其所有邻域,使最终得到的网络划分中不存在之间只有正连接的子集对。同时,为了防止精英流失,在进行局部搜索之前,会对原始外部种群EP进行备份,最后将经过局部搜索前、后的外部种群合并,并进行非支配排序,返回所有非支配解作为最终的最优解集。通过比较MOEA/D-SNB中加入局部搜索前后在网络数据集上的实验效果,验证了本文所设计的基于子集的局部搜索策略在降低子集间正连接较多的网络划分的不平衡度的方面的有效性。