在我们生活的真实世界中,普遍存在各种联系,这些联系大多可以抽象出来以复杂网络的形式表示。截至今天,复杂网络很明显已经成为了各个学科关注的热点之一。经过大量的研究和探索,发现其中的节点存在抱团现象。其特征体现在同一团体中各点之间连接相对紧密,而团体间的联系则更为松散。分析这种抱团现象不仅能够帮助我们更加清晰地认识和理解真实网络形成方式,揭示其包涵的意义,而且对认识网络所具有的功能,以及对事件做出正确的判断有很大的帮助。在过去的几年中,出现了许多探索社团的策略和算法。然而,这些算法鲜有能够在稳定性和效果取得比较满意的结果。针对这些问题,本文认为在无权无向网中,网络中的连边只能体现两个节点有关联,并没有表明这些连边之间的差异,只在原有的拓扑构造上对其进行划分,是导致无法得到准确结果的原因之一。而无论是社交关系网、交通运输网,还是通信网,这些网络中各节点间的联系应是存在差别的。根据“回音室效应”,本文对几个无权网络进行加权处理,以模块强度作为评价指标对结果进行验证分析,发现在社交网络存在社团内部联系强于社团之间联系的现象。而在动物网络中,社团之间连边权重高于社团内部连边权重。受差分进化算法的启发,本文提出一种基于模块强度的反向SHADE[55]（Success-History based Adaptive Differential Evolution Algorithms）算法,这是一种改进差分进化算法。通过增加两个参数,控制粒子的进化方向,从而提高算法的寻找全局最优的能力和算法性能。然后用基准测试函数对改进后的算法与原来的SHADE算法进行测试,结果显示改进方式有效。最后,将改进算法运用到社区发现中,对人工生成的基准网络数据和真实网络数据进行社区划分,同时将其与GN[4]算法、SHADE算法和IMDECD[29]算法进行对比分析,结果表明本文提出的算法在算法稳定性、发现效率及准确度有一定的提升。