复杂网络社区结构特性泛在于社交网络、计算机网络、交通网络等现实网络中。社区结构表现为网络中的节点具有分组特征,组内节点间的连接密度远远大于不同组的节点间的连接密度。发现和利用网络中的社区结构特性对于复杂网络研究具有重要的指导意义。社区发现即为准确辨识网络中每个节点社区归属的过程,是整个社区结构特性研究的基础。如何根据给定的网络拓扑精确而高效地定位社区分布是复杂网络研究领域的研究热点,同时也是本课题的核心研究内容。具体而言,本课题主要研究了以下几方面的内容:(1)利用网络拓扑中基于社区结构的连接关系优化进化类社区发现方法。在诸多智能算法中,以生物进化为灵感的进化类算法是朴素直观的全局优化方法。本课题在使用差分进化算法进行社区发现的过程中提出了局部聚合的概念,使用网络拓扑中固有的连接关系作为先验知识对进化过程进行调整,在进化过程的每一轮循环中对种群样本进行选择性约束。(2)使用基于扩散核函数的距离定义改进和优化基于支持向量机的社区发现方法。支持向量机是机器学习领域里非常擅于解决非线性模式识别问题的学习算法。通过使用基于扩散核函数的距离定义,本课题将原始空间的社区分类问题通过核技巧转变为映射空间里的二次规划问题和社区号分配问题,并利用临近图和稳定平衡点来简化社区号分配流程。(3)提出了一种由深度稀疏自编码器和无监督超限学习机组成的带有二级嵌入结构的社区发现方法。该方法使用深度学习中的独立自编码器通过以数据重构为目标的训练过程从隐含层输出低维的特征嵌入表征,在对输入数据进行预处理的过程中充分利用了具有社区结构的复杂网络中的稀疏特性,同时规避了大规模的特征值分解运算。作为二级嵌入处理器的无监督超限学习机以流形正则化的形式将网络中的固有连接属性作为约束条件加入降维和特征嵌入过程,促使生成的低维嵌入表征中包含更合理的分类信息。(4)设计了基于社区结构的无线传感器网络路由协议和基于社区结构的推荐算法。分别以无线传感器路由协议和推荐系统为例检验了社区发现算法在实用场景中的可行性。通过建立基于社区结构的分层路由协议,无线传感器网络成员节点仅需要通过本社区的簇头节点和汇聚节点进行通信,从而避免了在路由建立的过程中向全网进行消息广播。实验证明,基于社区结构的路由算法有效减少了系统能耗。在推荐系统中,利用社区发现算法对用户相似度矩阵或物品相似度矩阵进行分析可以从另一个角度衡量用户之间或物品之间的关联性。实验证明,在推荐过程中以本社区的相似用户或物品作为参考的协同过滤算法可以获得更好的推荐效果。