社区发现是复杂网络领域中最具挑战性的问题之一。这个问题引起了许多领域科学家的兴趣,如生物学、社会学和物理学。在过去的几十年里,为了解决这个具有挑战性的问题,提出了许多启发式算法和精确算法。然而,考虑到这些算法需要相当长的计算时间,它们中的大多数并不适合大型网络。与近些年来不断涌现的复杂的自然启发算法不同,本文提出了 一种简单的基于迭代局部搜索(Iterated Local Search,ILS)的元启发式方法,这种元启发式算法在相关问题上已经取得了显著成果。在实验部分,本文提出的算法同其他先进算法通过大量对比实验,进行比较与评估。计算结果表明,ILS稳定性更高,获得的社区质量更高。结构平衡是符号网络最重要的属性之一,它反映了符号网络的潜在的张力与冲突。聚类问题的解是衡量符号网络结构平衡程度的一个重要指标。随着符号网络规模的不断增长,考虑到精确算法需要大量的计算时间,因此精确算法不适用于解决聚类问题。本文提出了一种基于迭代贪心(Iterated Greedy,IG)的元启发式算法,用于对符号网络进行社区划分。通过与其他先进的元启发式算法在许多知名的数据集上进行的对比实验,证明了 IG算法拥有出色的效果与效率。