近年来,挖掘与分析社会网络中的社区结构逐渐受到各个领域的重视。社会网络中,社区结构是其最普遍和最重要的拓扑结构之一。因此,如何在社会网络中发现社区结构具有重要意义。真实的社会网络结构中网络节点之间既可能是正的连接也可能是负的连接。这种既存在正连接又存在负连接的社会网络称之为符号社会网络。然而,目前大部分社区检测方法都是针对普通的无符号网络。因此,探索与设计有符号社会网络有效及高效的社区检测方法具有重要意义。本论文主要将有符号网络社区检测问题与多目标进化算法相结合,充分利用符号网络社区检测问题的二目标内在属性与锥面积进化算法的优异性能,探索与设计了两种基于锥面积进化算法的符号社会网络社区检测方法。本文的主要研究工作包括:1.根据锥面积进化算法在二目标优化中的优势,结合符号网络结构特点,设计了适合于符号网络的交叉算子和变异算子,建立了基于权重的二目标模型,从而提出与设计了一种基于权重的锥面积进化符号网络社区检测算法(Conical Area Evolutionary Algorithm based on Weight for Community Detection in Signed Networks,简称CAEAw-SN)。2.通过引入并分解模块化指标Q-modularity,建立了符号网络社区检测问题更明确的基于模块化指标的二目标模型,同时设计了新的基于模块化指标的锦标赛选择机制,提出与设计了一种基于模块化指标的锥面积进化符号网络社区检测算法(Conical Area Evolutionary Algorithm Based on Q-modularity for Community Detection in Signed Networks,简称CAEAq-SN)。3.首先在由两个示例网络和两个真实符号网络组成的四个基准符号网络上测试与评估了本文提出的两种符号网络社区检测算法的性能,接着设计了一种带参数的大规模随机符号网络生成方法,通过调节各参数的取值,不仅可以控制随机符号网络的规模,还可以控制社区结构的噪音水平等。最后在由四组常规参数生成的随机符号网络和由其中两组通过调节参数μ,P+,P-所生成的共180个随机符号网络上,对本文提出的两种符号网络社区检测算法的性能进行了进一步的测试与分析。本文的实验结果表明:1)与已有的符号网络社区检测方法相比,CAEAw-SN算法适应性更强,时间复杂度更低,找到的最优解更接近真实解;2)CAEAq-SN算法不仅保留了CAEAw-SN算法的所有优点,而且可以进一步加快模块化指标Q值的收敛速度,使得算法可在更少的进化代数内找到最优解。