人类已经生活在一个包含各种各样的复杂网络的世界中,自然界中许多相互作用的复杂系统,如互联网、电力系统、生物分子系统等,皆可抽象成复杂网络。迅速发展的计算机处理能力和海量数据存储能力使得科学家越来越容易地在现实世界中收集海量的网络数据,研究其内在规律。除了小世界特性、无标度特性,社团结构特性被认为是复杂网络中最重要的统计特性之一。揭示网络的内在社团结构对理解结构与功能关系、发现其演化规律、监控与预测其演变行为具有重要的理论意义和广泛的应用前景,已成为近几年来学术界的研究热点。本文对复杂网络中社团智能检测算法及中心性度量进行了探索和研究,主要工作和创新成果分为如下五个方面:　　1.分析了基于优化模块度检测复杂网络社团结构的算法存在解的限制问题,该类算法不能检测出小于一定内在尺度的社团,并提出了基于极值优化模块密度来检测复杂网络社团结构的一种新的启发式算法,通过调整局部极值来优化全局的变量,使算法具有更好的持续搜索和跳出局优解的能力。通过人工网络和现实网络实验分析表明,所提算法在检测网络社团时,具有较高的正确率和效率,即使在网络结构变得很模糊时,算法也能很好地工作。　　2.通过分析复杂网络重叠社团检测问题,提出了衡量重叠社团划分优劣的评判函数,并基于该函数提出一种基于混沌量子粒子群优化的复杂网络重叠社团检测算法,并证明了该算法以概率1收敛。所提算法采用量子编码,利用Logistic映射初始化粒子种群,以粒子群速度改变方式更新转角的大小。利用计算机生成的网络和实际网络进行了仿真实验,比较了所提算法与经典算法的性能,结果表明,所提算法所得检测结果具有较高的检测正确率,能更好地反映实际社团划分情况。　　3.提出一种基于分解多目标优化的复杂网络社团检测新算法。新算法将社团检测问题构造成多目标优化问题,通过在多个目标之间权衡折衷,实现在更广泛的空间进行社团结构检测,克服了传统单目标优化存在解单一的缺陷。算法采用MOEA/D框架,运用Tchebycheff分解技术,引入基于加权法的模拟退火局部搜索算子,扩大了搜索范围,使算法不易陷入局部最优解。最后,在计算机生成的网络数据集以及真实网络数据集上对算法进行了仿真实验。结果表明,该算法与已有算法相比,具有较高的检测正确率,计算量较小。同时,获得的多个 Pareto最优解有助于揭示复杂网络社团的层次结构。　　4.提出一种新的动态网络社团检测的多目标进化算法,算法以快照质量和时序价值为优化目标构成多目标优化模型。分别选择模块密度度量快照价值,标准互信息来度量时序价值。采用NSGA-II框架,结合问题特征,设计新的遗传算子。针对问题特定领域知识,设计了一个局部搜索算子来提高社团检测性能。对合成数据和真实数据进行实验,实验结果表明所提算法比对比算法可以更精确地检测动态网络社团结构,真实反映社团的演化。　　5.提出一种基于信息流的复杂网络中心性测度,并将其扩展到组中心性,用来度量一组节点的中心性。所提测度克服了传统中心性测度的缺点,不仅适用于连通网络,也适用于非连通网络。利用标准测试集对所提测度与传统中心性测度进行了比较试验,结果表明所提测度具有较好的性能。最后,对所提测度在大规模计算机生成的数据集和现实数据集上的统计特性规律进行了研究。