目前复杂网络上的数据挖掘大多结合子图挖掘的算法进行分析。为了适应复杂网络数据量大、结构复杂等特点,使用具有随机性质的多目标遗传算法进行子图挖掘是一个比较理想的策略。然而,使用多目标遗传算法进行复杂网络的子图挖掘存在着一个不可忽视的问题:数据量巨大导致运行速度慢,硬件资源利用效率低。过往的改进方案多数集中在算法本身,但对于不同的类型的复杂网络,则很难有同样的改进效果。针对以上问题,本文从数据结构作为切入点,提出一种新型图数据结构:邻接树。邻接树是在邻接表的基础上改进而来的图数据结构,即把邻接表的所有头结点和所有表结点都改用AVL树的方式组织,从而加快数据操作的效率。基本思想可如下简述:1、头结点用AVL树组织后,称为树头结点;表结点则称为树尾结点。2、每一个树头结点都有一个指针,指向相应树尾结点组成的树的根结点。3、树头结点和树尾结点都有对应图中顶点的相关信息,而边权信息存放在树尾结点。4、每当有增加或删除数据的操作时,邻接树都进行平衡维护。本文将对邻接树的可行性进行分析,并证明其相对于经典的图数据结构:邻接矩阵、邻接表、十字链表,在时间和空间上的综合效率都有明显提高。其中时间复杂度为O(log(n~2)),空间复杂度为O(n)。本文设计两类实验,一是随机图的增加、删除、查找、修改四种操作实验;二是针对用于子图挖掘的多目标遗传算法实验。两类实验的结果数据和相关分析可验证邻接树具有更优的综合效率。最后,本文总结邻接树的优势所在,并提出更多的展望。