1、自然界中存在大量的復雜系統(tǒng)，如生態(tài)系統(tǒng)、網絡系統(tǒng)、通信系統(tǒng)和經濟系統(tǒng)等。這些復雜系統(tǒng)往往是由多個交互的單元組成，這些單元之間存在一定的聯(lián)系。為了了解復雜系統(tǒng)的功能和行為、各個單元的相互作用方式，必須借助網絡進行研究。復雜系統(tǒng)中的單元對應為網絡中的點，而各個單元間的聯(lián)系則對應為網絡中的邊，由于復雜系統(tǒng)節(jié)點數目龐大，對應網絡中節(jié)點數目較多，這樣的網絡被稱為復雜網絡。隨著復雜網絡研究的深入，研究學者們發(fā)現復雜網絡有較多結構特征，而社團結構是其

2、最重要特征之一。復雜網絡的社團結構不僅能夠幫助我們理解大規(guī)模網絡的拓撲結構，還能反映其對應的現實復雜系統(tǒng)中各單元、模塊的功能，為現實世界中復雜系統(tǒng)的復雜性研究提供十分重要的意義。因此，復雜網絡中社團結構的識別成為研究復雜網絡的熱點話題之一。
　　目前研究學者們已提出很多社團結構識別算法并將其應用到實際網絡中，但是算法還存在一定的不足。本文主要從算法的時間復雜度、算法識別效果以及算法初始條件方面進行改進：
　　(1)基于中心節(jié)

3、點的局部社團識別算法。算法首先計算網絡中各節(jié)點的度和聚集系數，選取網絡中度最大且聚集系數也最大的節(jié)點作為中心節(jié)點，并將其作為獨立的起始社團，同時將其加入已訪問節(jié)點集合。然后更新當前社團的鄰居節(jié)點集合，計算鄰居集合中節(jié)點與社團的連接強度，通過不斷地將連接強度最大的節(jié)點加入社團，網絡的局部社團結構被識別出。該算法只需要知道少量的網絡局部信息就能將社團識別出，時間復雜度較低，將該算法應用到人工網絡和社團結構較為明顯的實際網絡，識別出的社團效果

4、較好，實驗分析驗證了算法的可行性。
　　(2)基于相鄰節(jié)點相似度的社團結構識別算法。針對已有相似度構造方法的不足而提出改進的相鄰節(jié)點相似度，該算法將相鄰節(jié)點相似度與社團強度的量化定義結合，通過不斷刪除相似度矩陣中最小值元素對應的邊，最終將網絡中符合要求的社團識別出。將本文算法與其他算法作比較，可知算法識別出的社團結構效果較好，同時算法開始時不需要提前知道社團的數目，時間復雜度較低。將算法應用到人工網絡和現實網絡中，實驗分析驗證算法