在移动社会网络（Mobile Social Networks）中,由于节点间的连接缺乏稳定性,从源到目的节点之间很难找到一条可靠链路,导致节点之间的通信也相当困难。目前大部分的研究着眼于将网络环境中的路由问题理想化,而不考虑社交特性。在许多移动社会网络中,通信设备是被个体所携带的,因此,在某种程度上,这些移动社会网络是一种独特的社交网络,分析他们的社交属性已经成为设计移动社会网络中的路由协议的一个重要部分。本文在考虑了接触时间、接触频率和接触规律后,提出了一种更精确和更全面的节点间关系质量的度量标准。在此基础上,设计了一种重叠层次团体检测方法,并构建了一种树形结构。此外,我们利用重叠的团体结构和树形结构来提供从源节点到目的节点的消息转发路径。仿真结果表明,我们的基于重叠层次团体检测的路由方法在投递率上的表现比Sim Bet和Bubble Rap这两种经典路由协议更好,并且没有影响到平均的时延。基于以上考虑,我们形成以移动社会网络为主体的消息传递方法,为了进一步优化消息传递性能,我们进一步考虑在移动社会网络中引入复杂网络的社区发现机制,进而优化网络性能。针对于复杂网络这一研究问题,我们关注于社区发现的研究,在这种网络环境中自动发现社区的效率和准确性一直是主要研究问题,遗传算法已被应用于社区发现。传统的种群初始化方法没有充分考虑网络的拓扑结构。因此,初始种群的质量可能较差,这可能会减慢整个过程的收敛速度。根据社交网络的特点,我们提出了一个K-路径的初始化方法,它充分利用了网络的拓扑信息。我们研究的主要重点是研究K-路径初始化遗传算法在FIRST迭代后能否带来Q值的显著增加,并证明相较于一个随机初始化遗传算法,这样的算法是否可以加快整个过程的收敛,来加速社会发现。通过运用这种新型算法于空手道,足球,和爵士数据集,我们发现相比于没有在第一轮迭代后使用K-路径初始化的算法,K-路径初始化算法可以平均增加Q值50%-160%。通过减少总迭代次数最低28%或最高41%,使这种初始优势在随后的迭代中累积。最后在移动社会网络中,我们考虑进一步提高路由性能的问题,通过Prim最小生成树算法服务于路由决策,Prim算法就是在加权连通图中搜索最小生成树,最小生成树由边子集和连通图里所有的定点构成,且所有边的权值之和最小。之后我们提出了基于Prim最小生成树算法的消息传递模型PBP（Passing based on Prim）模型,并通过实验证明该模型在辅助路由方面取得了很好的效果。综上所述,我们在移动社会网络中提出基于社区划分的消息传递方法,通过优化社区发现速度,进而服务于消息投递。