团队作为现代组织管理中首要工作方式正在发挥着日益显著的价值。相对于单打独斗,团队协作的作业形式更加容易获取辉煌的成果。随着学科之间交叉、渗透以及研究对象日益复杂,拥有不同背景知识的人员开展跨学科合作的现象与日俱增。另一方面,随着互联网社交平台的广泛应用,在线合作沟通已成了未来的发展趋势,社会网络下的团队形成问题成为研究热点。针对该问题,本文的研究工作和创新性主要包括以下几个要点:(1)现有研究对于社会网络中任意两个非直接相连的节点,其沟通代价的衡量多基于最短路径的思想,这可能导致非直接相连的两个节点比直接相连的节点具备更小的沟通代价,并且忽略了个体的属性特征。针对该问题,本文提出一种衡量个体关系强度的新模型,从个体交互熟悉性和个体相似性两方面形容社会关系强度,个体之间的沟通代价定义为关系强度的倒数,研究沟通代价优化的社会团队形成问题。(2)现有研究对于团队沟通代价的不同定义方式需要设计相适应的算法求解。为了使算法更具通用性,本文设计离散形式的帝国主义竞争算法,引入遗传算子取代原始的同化机制。另外为了加强帝国之间的信息交互,对帝国主义国家施加交叉算子进而寻求更优解,接近检测策略和变异操作可以增大算法逃离局部最优解的概率。(3)目前大多数问题研究采用0-1规则和技能分级的方式衡量个体技能水平,而在现实场景中,要求某项技能达到某个精确数值以上的情况并不多见。因此,提出模糊环境下的社会团队形成问题。用定性的“好”,“差”等语言变量描述个体技能,然后转化为三角模糊数进行定量处理。对于需要多项技能的任务,从社会网络中挑选出若干成员形成团队,实现通信开销和团队绩效的优化。在标准SPEA2算法的基础上,结合成员技能的模糊性提出细粒度支配关系判断,并引入档案精英学习机制生成内部种群个体。(4)为了证明所提出算法的可行性和高效性,利用DBLP和google scholar网页上的学者信息作为实验数据。首先验证了关系强度模型的合理性;采取RarestFirst算法、BEST-SD算法和RarestFirstGreedy算法与ICA-TF算法进行对比,选择四种沟通代价作为评定标准,实验结果表明了ICA-TF算法的高效性。另外改进的SPEA2-AL算法具备较快的收敛速度和良好的分布多样性,能够有效求解团队形成问题。