近些年来，复杂网络受到了越来越多的研究者关注，大量的科研工作者投入到复杂网络领域的研究工作中。社区结构是复杂网络一个重要的属性，它揭示了复杂网络的某些行为特征和内在隐藏规律。在现实世界中存在的许多系统，如手机通信网络、交通道路网等都可以建模成复杂网络，网络中的节点代表系统中的各种具体的事物，这些事物之间的联系用网络中节点与节点间的边表示。因此，对复杂网络的社区检测问题的研究，有助于我们了解和分析真实世界中实际系统中各种不同的具体的事物之间的关系。复杂网络社区检测问题作为一个重要研究方向，它是一个非常有意义的研究课题。
　　遗传算法和蚁群算法都是近年来进化算法领域的研究热点，两种算法都可以兼顾种群的全局搜索能力和个体的局部搜索能力，同时算法本身具有很好的自适应能力，它们在解决某些问题领域比传统的优化算法更有优势。遗传算法已经被用于复杂网络社区检测问题，并且取得了很好的结果，但是其结果具有进一步提高的潜力；蚁群算法很少被用于复杂网络社区检测问题，使用蚁群算法去检测复杂网络的社区结构是非常有意义的。本文基于遗传算法，提出了一种基于改进的遗传算法的复杂网络社区检测的方法；基于蚁群优化算法，提出了一种基于分解和多目标蚁群优化算法的复杂网络社区检测的方法。本文主要工作的详细介绍如下：
　　1.提出了一种基于改进的遗传算法的复杂网络社区检测方法。在遗传算法框架下，使用模块度函数作为目标函数，对网络的社区结构进行检测。算法中采用一种新的初始化策略和一种基于基因变异的局部搜索方法，此外，算法还采用精英保存策略，对历史最优个体进行保存。通过仿真实验并与其它对比算法的结果进行对比和分析，本文提出的算法在检测网络的社区结构上有很好的能力。
　　2.提出了一种基于分解和多目标蚁群优化算法的复杂网络社区检测的方法。首先，算法中提出一种新的适用于复杂网络聚类的多目标蚁群优化算法的框架，用于检测复杂网络中的社区结构。算法中采用分解的机制把两目标问题成功的分解为一系列单目标的子问题，并采用蚁群优化的思想优化这些子问题，其中，每一只蚂蚁负责解决一个子问题，每一直蚂蚁得到的解对应着Pareto前端一个特定的点。然后，算法采用了一种基于图的针对特定问题的个体编码方法。最后，为了提高算法的稳定性和准确性，算法中设计了一种新的有效的局部搜索方法。通过一系列的实验及与其它算法结果的对比和分析，证明了我们提出的算法在检测复杂网路的社区结构问题上具有很强的竞争力。
　　本课题得到国家自然科学基金(No.61373111)、省自然科学基金(No.2014JM8321)、中央高校基本科研基金(Nos. K50511020014，K5051302084)的资助。