摘要:复杂网络分析是大数据技术的热点研究方向。现实生活中，很多系统都具有复杂网络的结构特征，例如，交通系统网、人际关系网等。社区检测是当前复杂网络的研究热点方向之一。社区结构是内部的连接比较紧密，外部的连接比较稀疏。社区检测的目的就是找到各种网络中的社区结构，从而挖掘出网络中其他有用信息。

社区结构的检测，关键的核心问题是算法的问题。本文设计实现了基于群智能计算的模块度优化社区检测算法，采用差分算法(DE算法)作为优化方法对模块度进行全局最优化。差分算法是一种新兴的进化计算技术，全称叫做差分进化算法，简称DE算法。差分算法是一种模拟生物进化的随机模型，通过反复的迭代，让适应环境的那些个体保存下来。

模块度优化这种算法经常用来检测复杂网络的社区结构，相比于其他类型的社区检测方法，该算法在计算的时间上更具有优势，并且用模块度衡量的方法来检测社区结构的质量很高，能够提升检测社区的准确性以及稳定性。但是该算法的局限性是实施时的内存需求较大。DE算法比较与进化算法，差分算法保留下来了一种基于种群搜索的战略—全局搜索策略，采用了实数的编码方式、基于它本身的简单得变异操作以及一对一的竞争性的生存策略，减少了遗传操作的复杂性。差分算法具有记忆能力，它可以追踪当前的搜索的情况，并且动态的来调整它的策略，拥有很好的收敛能力以及鲁棒性。与其他社区检测算法相比，差分算法有一定的竞争力。

关键词：复杂网络；社区检测；社区结构；群智能计算

目录

摘要

Abstract

1 绪论-1

1.1 课题研究背景和意义-1

1.2 国内外研究现状-2

1.3 论文结构安排-3

2 基于群智能计算的社区检测相关理论-4

2.1 基于模块度优化的社区检测-4

2.2 群智能计算的模块度优化-4

2.3 差分进化算法-5

3 基于DE算法的模块度优化社区检测的总体设计-7

3.1 选择的网络和个体表示方式-7

3.2 适应度函数-7

3.3 初始化-8

3.4 突变-8

3.5 交叉-8

3.6 选择和清理步骤-9

3.7 整体算法框架及流程图-10

4 实验测试及结果分析-13

4.1 实验测试环境-13

4.2 测试结果及分析-13

结    论-17

参 考 文 献-18

附录A 程序代码-19

致    谢-33