复杂网络理论是复杂性科学研究的重要手段,长期以来受到各学科研究人员的广泛青睐。社区结构是复杂网络结构特征之一,社区结构明显的网络具有局部聚集的特性,体现系统整体和部分的关系。社区挖掘的目的是发现复杂网络中的社区结构,通过社区挖掘可以分析网络错综复杂的拓扑结构,进而分析挖掘社区结构在节点预测、网络传播、同步以及控制等动力学方面的影响和作用,因此社区挖掘研究具有十分重要的理论意义和实际价值。社区挖掘的算法层出不穷,其中基于模块度函数的优化算法是一个重要分支。目前已有遗传算法、蚁群算法、粒子群算法等智能优化算法应用在社区挖掘领域,本文针对现有智能算法求解模块度函数收敛速度慢,求解精度低等问题进行研究,提出两种改进算法,主要研究工作和成果如下:(1)首先提出改进的离散粒子群算法。该算法采用基于字符的编码方式,选取部分粒子采用基于节点重要性的标签传播方法初始化,其次重新定义速度和位置更新,然后对更新位置后的粒子群进行重新排序操作,最后在迭代过程中加入克隆选择操作。良好的初始化方式既可以保证种群的多样性,又可以加快算法收敛速度,克隆选择算子对优秀个体进行克隆选择操作,增强了局部搜索能力。仿真实验证明,改进的离散粒子群算法具有更优越的初始位置,保证适应度精度的同时,收敛更迅速。(2)蝙蝠算法是一种新型的群智能优化算法,具有计算量小,收敛速度快的特点,然而标准蝙蝠算法易早熟,且只能在连续域使用。针对社区挖掘应用场景,对标准蝙蝠算法进行改进,提出一种自适应进化蝙蝠算法。该算法采用基于字符的编码方式,利用异或操作对速度进行离散化处理,然后使用双路交叉算子实现蝙蝠的全局搜索,局部变异算子进行局部搜索,蝙蝠发生变异的概率取决于蝙蝠速度,从而实现了蝙蝠的自适应进化。仿真实验首先在七个真实网络中进行,通过对比其他算法,验证本算法的有效性;然后在标准人工合成网络中测试算法性能,最后给出Karate网络和Dolphin网络的可视化分析。实验结果表明,随着网络规模的增长,自适应进化蝙蝠算法具有收敛速度快,适应度值高的优势。