D3 forceManyBody 多体力详解:strength、theta 与 Barnes–Hut 近似的实现原理
多体力(many-body force)是 D3 力导向布局中最具"全局性"的一种力:它作用于所有节点之间,通过正负 strength 分别模拟引力与静电斥力,并借助四叉树与 Barnes–Hut 近似将计算复杂度从 O(n²) 降到 O(n log n)。本文基于 D3 v7(当前仓库版本 7.9.0,依赖 d3-force ^3.0.0)的官方文档与配套示例,系统讲解 forceManyBody() 的构造、四个核心参数(strength / theta / distanceMin / distanceMax)的语义与默认值,以及该力在力模拟 tick 循环中的实际工作方式。
多体力的定位:全局力 vs 局部力
多体(n-body)力在模拟中的所有节点之间相互作用:
- strength 为正时模拟引力(gravity),节点相互吸引;
- strength 为负时模拟静电电荷(electrostatic charge),节点相互排斥。
与链接力只影响两端相连的两个节点不同,多体力是全局的:每个节点影响其他所有节点,即使它们处于互不连通的子图中。这一特性使得力导向图中"没有边的节点也会彼此推开",是布局能够自然散开、避免节点重叠堆积的关键机制。
性能方面,该实现使用四叉树与 Barnes–Hut 近似大幅加速:每施加一次力,用四叉树存储当前所有节点位置,再对每个节点计算其余节点对它的合力;对于距离较远的节点簇,可以把整个簇当作一个"更大"的节点来近似计算其电荷力。d3-quadtree 文档也明确提到四叉树正是用于加速 Barnes–Hut 近似这一典型场景。
forceManyBody() 构造函数
创建一个新的多体力并应用默认参数:
const manyBody = d3.forceManyBody().strength(-100);
该函数无参调用即返回默认配置;链式调用 .strength(-100) 将斥力强度提高到默认的 3 倍多。这是 D3 力导向图示例中最常见的写法之一,当前仓库的链接力示例组件正是这样使用的:
simulation = d3.forceSimulation(nodes)
.force("charge", d3.forceManyBody().strength(-40))
.force("link", d3.forceLink(links).strength(1).distance(10).iterations(10))
.force("x", d3.forceX())
.force("y", d3.forceY())
.on("tick", ticked);
从这份真实示例可以看出一个惯例:多体力通常以 "charge" 为名注册到模拟中,与 forceLink、forceX、forceY 组合使用。注册机制本身见力模拟文档中 simulation.force(name, force) 一节:
const simulation = d3.forceSimulation(nodes)
.force("charge", d3.forceManyBody())
.force("link", d3.forceLink(links))
.force("center", d3.forceCenter());
manyBody.strength(strength):正为引力,负为斥力
语义:若指定 strength,则设置强度访问器(accessor)为给定的数字或函数,并对每个节点重新求值该访问器,返回该力。正值使节点相互吸引(类似重力),负值使节点相互排斥(类似静电电荷)。若未指定参数,则返回当前强度访问器,其默认值为:
function strength() {
return -30;
}
即默认对所有节点施加 -30 的斥力。
访问器的求值时机是关键细节:强度访问器会对模拟中每个节点被调用一次,参数为 node 与其从零开始的 index。求值结果会被内部缓存,因此每个节点的 strength 只在该力被初始化(initialize)、或再次以新 strength 调用本方法时才重新计算,而不会在每次施加力时重复计算。
这一"初始化时预计算"策略与力模拟文档中自定义力的约定一致:force.initialize(nodes) 在力通过 simulation.force() 绑定、或节点数组变化时被调用,力可以在初始化阶段完成逐节点参数求值,避免每次施加力时重复做这些工作。
按节点差异化强度的实例:仓库中的碰撞力示例组件展示了用函数形式访问器按节点设置不同 strength 的实战写法——让第 0 个节点(中心节点)获得与画布宽度挂钩的强斥力,其余节点斥力为 0:
.force("charge", d3.forceManyBody().strength((d, i) => i ? 0 : -width * 2 / 3))
这说明 strength(d, i) 访问器接收的 i 即文档所述"从零开始的索引",可用于对特定节点做特殊处理。
manyBody.theta(theta):Barnes–Hut 近似的精度参数
语义:若指定 theta,将 Barnes–Hut 近似判据设置为该数字并返回该力;若未指定,则返回当前值,默认 0.9。
近似的具体机制(原文档逐句要点):
- 每次施加力时,一个四叉树存储当前节点位置,单次施加力的时间复杂度为 O(n log n)(n 为节点数);
- 对每个节点,计算其余所有节点对它的合力;
- 对于远离当前节点的节点簇,其电荷力可以近似为"把该簇视为单个更大节点";
theta决定近似精度:若四叉树单元格的宽度 w 与该节点到该单元格质心距离 l 之比 w / l 小于 theta,则将该单元格内所有节点视为单个节点处理,而非逐一计算。
由此可以推断出调参含义:
theta越大(如趋近 1)→ 更多远端簇被合并近似 → 更快,但布局精度略降;theta越小(如 0.5)→ 更多节点被逐一精确计算 → 更准,但开销更大。
默认值 0.9 即 D3 在"速度/精度"之间选定的折中点,对绝大多数力导向图无需改动。
manyBody.distanceMin(distance):最小距离与数值稳定性
语义:若指定 distance,设置该力起作用的节点间最小距离;若未指定,返回当前最小距离,默认 1。
最小距离的作用是为两个邻近节点之间力的强度设定上界,避免布局不稳定。一个具体而重要的场景:当两个节点位置完全重合时,若没有最小距离钳制,斥力会趋于无穷大;而由于重合时方向未定义,此时力的方向会取随机方向(随机源由模拟提供,可参考 simulation.randomSource)。distanceMin 的存在保证了即使初始位置完全重叠的节点,也只受到有限且方向随机的"抖动式"推力,从而被推开而非发散。
manyBody.distanceMax(distance):最大距离与局部化布局
语义:若指定 distance,设置该力起作用的节点间最大距离;若未指定,返回当前最大距离,默认为无穷大(infinity)。
指定一个有限的最大距离有两个收益(原文档明示):
- 提升性能:超出该距离的节点对不再参与力计算;
- 产生更局部化的布局(more localized layout):远处节点簇不再相互排斥,布局自然聚合成若干局部"团簇",在大型图上是控制视觉密度与计算成本的常用手段。
可以推断,distanceMax 与 theta 是两种互补的加速/局部化手段:theta 是"远端簇近似",distanceMax 是"远端直接忽略"。
四个参数速查表
| 方法 | 默认值 | 取值类型 | 作用 |
|---|---|---|---|
strength(strength) |
-30 |
number | (node, index) => number | 正为引力,负为斥力;仅初始化或重新设置时逐节点求值 |
theta(theta) |
0.9 |
number | Barnes–Hut 判据,w / l < theta 时簇被整体近似 |
distanceMin(distance) |
1 |
number | 最小作用距离,为近距离合力设上界,防止重合节点产生无穷大力 |
distanceMax(distance) |
Infinity |
number | 最大作用距离,有限值可提速并得到局部化布局 |
在力模拟 tick 循环中的工作位置
理解多体力何时被调用,需要结合力模拟文档的 tick 机制。模拟实现的是速度 Verlet 积分器,假设恒定单位时间步 Δt = 1、恒定单位质量 m = 1,因此作用在粒子上的力 F 等价于该时间步内的恒定加速度 a,可以直接累加进速度。每个 tick(默认 300 次自然 tick 后停止)依次执行:
alpha按(alphaTarget - alpha) × alphaDecay递增;- 依次调用每个已注册力(含多体力),传入新的
alpha; - 每个节点速度乘以
1 - velocityDecay(默认衰减 0.4); - 每个节点位置按新速度平移。
由此得出两条实战结论:
- 力的大小受 alpha 调制:多体力每次施加时接收当前 alpha,模拟"降温"过程会随 alpha 衰减而减弱各力的作用,最终布局收敛静止。交互中"重新加热"(如拖拽节点时
alphaTarget(0.3).restart())即仓库示例组件中的标准做法; - strength 不在 tick 里重算:如前所述,节点强度在 force 初始化时缓存,
simulation.nodes(newNodes)或force.strength(newFn)才会触发重新求值——这是修改节点属性后布局未更新的常见原因。
一个可直接运行的最小示例
综合以上要点,下面是一个体现全部四个参数的可复制示例(在浏览器中引入 D3 v7 后即可运行):
<svg width="600" height="600" viewBox="-300 -300 600 600"></svg>
<script>
const nodes = d3.range(200).map(() => ({}));
const simulation = d3.forceSimulation(nodes)
// 多体斥力:全局作用,默认 -30,这里显式设为 -100
.force("charge", d3.forceManyBody()
.strength(-100) // 排斥强度(可为函数:(d, i) => ...)
.theta(0.9) // Barnes–Hut 精度,w / l < 0.9 时近似
.distanceMin(1) // 最小距离:限制近距离合力上界
.distanceMax(200) // 最大距离:提速 + 局部化布局
)
.force("center", d3.forceCenter())
.on("tick", ticked);
const node = d3.select("svg").selectAll("circle")
.data(nodes).join("circle").attr("r", 3);
function ticked() {
node.attr("cx", (d) => d.x).attr("cy", (d) => d.y);
}
</script>
其中 forceCenter 等其他内置力可查阅仓库文档目录下的 center、collide、position 各篇;自定义力的编写规范(force(alpha) 与 force.initialize(nodes) 两个方法)见力模拟文档的 Custom forces 一节。
小结
d3.forceManyBody()创建全局多体力,是力导向图中节点"散开"的主力;strength决定引力/斥力及强度,支持(node, index)访问器做逐节点差异化配置,且仅在初始化或重新设置时求值缓存;theta(默认 0.9)控制 Barnes–Hut 近似精度,是 O(n log n) 加速的核心参数;distanceMin(默认 1)防止重合节点产生无穷大力的数值不稳定;distanceMax(默认无穷)可设为有限值以换取性能与局部化布局。
参考文档:many-body 官方文档、力模拟、四叉树、链接力,以及示例组件 ExampleLinkForce.vue、ExampleCollideForce.vue。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0622
Hy4-previewHy4 preview 是由腾讯混元团队研发的新一代混合专家(MoE)旗舰模型。模型总参数量 770B,每个 token 激活 49B,主干共包含78层,第一层采用标准 FFN,其余 77 层均为 MoE 结构,每层包含 256 个路由专家与 1 个共享专家,每个 token 激活 top-8 路由专家及共享专家。主干之外原生内置 1 层 MTP(总参数量 10B,激活 0.7B)以支持投机解码。Python00
GLM-5.3GLM-5.3 与 GLM-5.2 使用相同的基座模型——所有提升均来自后训练。与 GLM-5.2 相比,它在复杂编程和长程任务上的表现显著提升。Jinja00
GLM-5.3-FlashGLM-5.3-Flash (320B-A18B),是GLM-5系列的首个原生多模态模型。320B总参数,能力超过GLM-5.2Jinja00
Spark-X2.5-4BSpark-X2.5-4B 旨在让强大的 AI 更实用、更高效、更易获得。在广泛日常任务中表现强劲,涵盖对话、写作、翻译、推理、编码、工具调用以及智能体工作流,并在同等规模的开源模型中取得领先成绩。Spark-X2.5 将面向效率的架构与最高 1M tokens 的原生上下文窗口相结合,并支持 200 多种语言。Python00
Spark-X2.5-1.7BSpark-X2.5-1.7B 旨在让强大的 AI 更加实用、高效且易于获取。这些模型在广泛的日常任务中表现出色,涵盖对话、写作、翻译、推理、编程、工具调用和智能体工作流,并在同等规模的开源模型中取得领先结果。Spark-X2.5 将面向效率的架构与最高 1M tokens 的原生上下文窗口相结合,并支持 200 多种语言。Python00