多目标优化问题在现实生活中普遍存在,受到了广大学者们的关注,成为重要的研究领域之一。目前对于多目标优化问题,研究者们提出了很多种解决方案,其中基于遗传算法的多目标优化问题能够有效的求解多目标优化问题,并得到了专家和学者们的认同。复杂网络的社团检测问题也是一种多目标优化问题。复杂网络在现实生活中有着广泛的应用,它能够表示很多存在的系统,对复杂网络进行社团检测有助于理解复杂网络的结构,挖掘其存在的潜在信息和属性。因此,本文提出了基于不完整子图指导的社团检测多目标进化算法,包括基于点编码不完整子图指导的复杂网络社团检测算法研究和基于边编码不完整子图指导的复杂网络社团检测算法研究。本文的主要研究工作如下:(1)本文提出了基于点编码不完整子图指导的社团检测多目标进化算法(LMOEA)。在进化算法中,经过少数迭代后,就能够将复杂网络中一些易于检测出来的局部社团检测出来,这样的社团称为不完整子图,合理的利用进化过程中检测出的不完整子图能够提高多目标进化算法检测的性能。在算法LMOEA中,提出了基于不完整子图的个体更新策略,算法利用进化中的种群得到不完整子图,并利用这些不完整子图对种群中的部分个体进行更新,指导种群往更好的方向进化,加快种群收敛,最终得到较好的社团划分结果。在LFR基准网络和真实网络上与四个社团检测算法进行了对比实验,证实了算法的性能,说明了算法的有效性。(2)本文提出了基于边编码不完整子图指导的社团检测多目标进化算法(EMOEA)。复杂网络可以理解为由节点和边构成的图形,当前的很多复杂网络社团检测多目标进化算法都是从节点的角度来进行社团检测,而本文深入的研究了如何利用边信息来进行复杂网络社团检测,并提出了 EMOEA算法。算法提出了0-1编码,0-1编码是对网络中的边进行编码,引用的是一种切割的思想,如果该边的编码为0则断开两个节点之间的这条边,如果为1,则保留这两个节点之间的边。通常认为,社团内的边之间局部相似度较高,社团之间边的局部相似度较低,基于此,算法利用局部相似度来确定个体各个基因位上的变异率来确定需要切割的边。同时,算法利用种群进化过程中易于得到的不完整子图进行种群个体的更新,调整进化方向,指导种群进化。与其他几个算法的对比实验结果表明,算法EMOEA在社团检测过程中表现出了较好的性能。