| 提要 | 第1-7页 |
| 第1章 绪 论 | 第7-13页 |
| ·研究背景 | 第7-8页 |
| ·研究意义 | 第8-9页 |
| ·国内外研究现状 | 第9-11页 |
| ·社区结构定义的研究 | 第10-11页 |
| ·社区挖掘算法的研究 | 第11页 |
| ·本文主要工作 | 第11-12页 |
| ·本文内容安排 | 第12-13页 |
| 第2章 复杂网络社区挖掘算法 | 第13-20页 |
| ·KL 算法 | 第13页 |
| ·GN 算法 | 第13-14页 |
| ·改进的GN 算法 | 第14-15页 |
| ·FN 算法 | 第15-16页 |
| ·SA 算法 | 第16-17页 |
| ·CPM 算法 | 第17页 |
| ·FEC 算法 | 第17-18页 |
| ·基于标签传播的算法 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 第3章 问题定义 | 第20-24页 |
| ·问题描述 | 第20页 |
| ·网络模块度 | 第20-24页 |
| ·Q 函数的定义 | 第21-22页 |
| ·Q 函数研究存在的问题 | 第22-24页 |
| 第4章 基于集成学习的遗传算法 | 第24-36页 |
| ·编码方式 | 第24-25页 |
| ·适应度函数 | 第25页 |
| ·初始种群生成 | 第25-29页 |
| ·基于马尔科夫随机游走的社区挖掘算法的理论基础 | 第26-27页 |
| ·IGAMRW：基于马尔科夫随机游走的初始个体生成算法 | 第27-28页 |
| ·算法 IGAMRW 的优点 | 第28页 |
| ·时间复杂性分析 | 第28-29页 |
| ·交叉算子 | 第29-33页 |
| ·传统交叉算子带来的问题 | 第29-30页 |
| ·集成学习 | 第30页 |
| ·基于集成学习的多个体交叉算子 | 第30-32页 |
| ·基于集成学习的多个体交叉算子的优点 | 第32页 |
| ·时间复杂性分析 | 第32-33页 |
| ·变异和选择算子 | 第33页 |
| ·GAEL 算法描述 | 第33-34页 |
| ·算法参数设置 | 第34-36页 |
| 第5章 实验结果及分析 | 第36-47页 |
| ·初始种群分析 | 第36-38页 |
| ·计算机生成网络 | 第38-40页 |
| ·真实世界网络 | 第40-45页 |
| ·Zachary 空手道俱乐部网络 | 第40-41页 |
| ·美国大学足球联盟网络 | 第41-43页 |
| ·其它真实世界网络 | 第43-45页 |
| ·参数分析 | 第45-47页 |
| 第6章 总结与展望 | 第47-49页 |
| ·总结 | 第47-48页 |
| ·展望 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 硕士期间发表的学术论文 | 第53-54页 |
| 致谢 | 第54-55页 |
| 摘要 | 第55-58页 |
| Abstract | 第58-61页 |