現(xiàn)實(shí)世界可被看作由許多不同的復(fù)雜系統(tǒng)組成。為了建模分析復(fù)雜系統(tǒng)中個(gè)體間隱藏的規(guī)律及功能，將復(fù)雜系統(tǒng)抽象為由節(jié)點(diǎn)和邊組成的復(fù)雜網(wǎng)絡(luò)。挖掘復(fù)雜網(wǎng)絡(luò)中的社區(qū)結(jié)構(gòu)在內(nèi)容推薦、行為預(yù)測和疾病擴(kuò)散等方面具有重要的理論意義和實(shí)際價(jià)值。隨著復(fù)雜系統(tǒng)內(nèi)個(gè)體的不斷變化，多個(gè)社區(qū)間岀現(xiàn)了重疊節(jié)點(diǎn)，有效且準(zhǔn)確地挖掘社區(qū)中的重疊節(jié)點(diǎn)具有一定的挑戰(zhàn)性。為了有效發(fā)現(xiàn)社區(qū)中的重疊節(jié)點(diǎn)，提出了一種基于粗糙集和距離動(dòng)態(tài)模型的重疊社區(qū)發(fā)現(xiàn)方法（ Overlapping Community Detection based on Rough sets and Distance Dynamics model， OCDRDD）。該方法首先根據(jù)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，結(jié)合節(jié)點(diǎn)度中心性和距離選出K個(gè)核心節(jié)點(diǎn);然后按照定義的距離比率關(guān)系初始化社區(qū)的近似集和邊界域，結(jié)合距離動(dòng)態(tài)模型，迭代變化邊界域節(jié)點(diǎn)與下近似集節(jié)點(diǎn)間相連的邊的距離，且在毎次迭代過程中將符合定義的距離比率關(guān)系的邊界域節(jié)點(diǎn)劃分到社區(qū)下近似集中，以縮小邊界堿節(jié)點(diǎn)（即縮小邊界域的范圍），直到找到最佳重疊社區(qū)結(jié)構(gòu);最后根據(jù)定義的兩條規(guī)則處理“偽”重疊節(jié)點(diǎn)在真實(shí)網(wǎng)絡(luò)數(shù)據(jù)集和 LFR Benchmark人工網(wǎng)絡(luò)數(shù)據(jù)集上，以NMⅠ和具有重疊性的模塊度EQ作為評價(jià)指標(biāo)，將 OCDRDD方法與近幾年具有代表性的社區(qū)發(fā)現(xiàn)方法進(jìn)行實(shí)驗(yàn)測試比較，發(fā)現(xiàn) OCDRDD方法整體優(yōu)于其他算法，結(jié)果表明該算法具有有效性和可行性。