（1.人工智能与模式识别国际联合实验室（江南大学），江苏无锡 214122；2.无锡职业技术学院物联网技术学院，江苏无锡 214121）

0 引言

数据信息可以被抽象为复杂程度不同的网络，网络中的点代表信息实体，边代表实体间的相关性联系。社区结构是复杂网络中常见的拓扑特征，即同一社区内的节点与节点之间关系紧密，而社区与社区之间的关系稀疏。由此，社区发现得以出现，它作为从网络底层结构中提取有用信息的关键工具之一，对于理解网络的结构特征和组织功能具有十分重要的意义。目前，很多重要的研究任务基于社区发现，如网络病毒传播、链路预测、网络演化分析、图像挖掘等［1-5］。

根据不同的研究视角，社区发现的研究可分为聚类问题和优化问题。聚类算法中包括经典社区划分算法（Girvan-Newman，GN）［6］、Infomap［7］、标签传递算法（Label Propagation Algorithm，LPA）［8］等，Dong［9］提出改进的标签传递算法（Improved Label Propagation Algorithm，ILPA）在重叠社区发现中与其他现有方法相比，精度更高。从优化的角度来看，大多数算法都是基于启发式进化算法逐步优化预定义的目标函数以获得模块化程度最高的社区结构［10-13］。进化算法（Evolutionary Algorithm，EA）等具有较强的全局优化能力的智能优化技术也在社区发现中引起广泛关注，如遗传算法（Genetic Algorithm，GA）［14-15］、微分进化（Differntial Ecaluation，DE）［16］、针对社区发现的蜂群优化（Bee Swarm Optimization for Community Detection，BSOCD）［17］等仿生学算法等。基于进化算法的社区检测方法存在参数多、收敛慢等问题，同时交叉变异过程的复杂性导致了社区结构的不稳定性，考虑到智能粒子群优化（Particle Swarm Optimization，PSO）算法的参数较少，全局收敛能力较强，收敛较快，不少学者将其引入社区发现算法之中［18-20］。……