El descubrimiento de comunidades (CD) en redes complejas es un tema de discusión candente en la investigación científica de redes. Recientemente, se han introducido muchos métodos evolutivos para detectar comunidades en redes. Sin embargo, el descubrimiento de comunidades basado en la optimización evolutiva todavía sufre de dos problemas. Primero, la calidad de la población de inicialización del algoritmo evolutivo actual no es buena, lo que resulta en una velocidad de convergencia lenta, y el rendimiento final necesita ser mejorado aún más. Otro problema importante es que los métodos actuales de CD tienen un rendimiento inconsistente en la detección de redes en diferentes escalas, mostrando una caída dramática a medida que aumenta la escala de la red. Para abordar estos problemas, este artículo propone un algoritmo basado en un método inicial novedoso y una optimización mejorada del lobo gris (NIGWO) para abordar los dos problemas al mismo tiempo. En este artículo, se propone una estrategia de inicialización novedosa para generar una población inicial de alta calidad y acelerar enormemente la velocidad de convergencia de la evolución de la población. La estrategia fusiona eficazmente la subestructura élite de la comunidad y diferentes características basadas en la dependencia y otras características entre nodos. Además, se presenta un GWO mejorado con dos nuevas estrategias de búsqueda. Se propone una etapa de caza de presas mejorada para retener las subestructuras excelentes de las poblaciones y mejorar rápidamente la estructura de la comunidad. Además, se diseñan nuevas estrategias de mutación desde el nivel de nodo hasta el nivel de comunidad en una etapa mejorada de cerco de presas. Específicamente, los nodos de límite se mutan según una función propuesta para mejorar la eficiencia de búsqueda y ahorrar en los supuestos de computación. Numerosos experimentos han demostrado que nuestro método obtiene un rendimiento más excelente en la mayoría de las redes en comparación con 11 algoritmos de última generación.