图绘制算法实验中最优图顶点数量的选取方法咨询

人类可清晰认知的图顶点规模阈值 #

没有绝对通用的最优值，核心取决于实验场景和交互条件，行业内通用的参考区间可以直接复用：

• 做静态无交互布局的可读性验证（即用户只能查看固定尺寸的单张图，无法缩放、拖拽交互），要求用户能清晰理解全局结构、完成路径查找、簇识别、连通性判断这类任务的话，无专业训练的普通被试认知绩效稳定的区间是50~150顶点：
  • 顶点数低于50时，绝大多数布局算法都不会出现严重的视觉混乱，认知负荷极低，适合做布局效果的定性展示；
  • 100顶点是最常用的基准测试规模，只要边交叉率控制在0.3交叉/边以内，用户完成各类结构判读任务的正确率可以稳定在85%以上；
  • 顶点数到200时，哪怕是经过充分优化的力导向布局，静态展示下用户的认知错误率会出现陡增，基本无法快速梳理全局结构，更适合做算法性能、布局退化情况的压力测试，不适合做需要人工判读可读性的核心测试组。
• 如果实验支持交互操作（缩放、邻接高亮、簇折叠），用户可顺畅认知的规模可以提升到500~1000，但这个量级下用户已经无法一次性掌握全局结构，只能完成局部区域的判读任务，不属于“全局清晰理解”的范畴。

你目前纠结的100和200两个值完全不需要二选一，把100设为基准测试规模、200设为压力测试规模，反而能更清晰观测算法随规模上升的表现变化。

参数判定方法与选型思路 #

你之前在学术平台没搜到直接结论很正常，这个参数从来不是独立的研究主题，都是嵌在各类图绘制实验的设置逻辑里，实际选型按下面的流程走就不会出错：

• 先对齐实验的核心目标：如果实验核心是测算法的运行效率、布局美学指标（边交叉率、边长均匀性、角度分辨率这类可量化指标），顶点规模可以从100到1000设多组梯度，不需要被人类认知阈值限制；如果要做用户研究（招募被试主观评价布局质量、判读图结构），就必须卡在认知阈值以内，建议先做小范围预实验：找3~5个没有图论相关背景的测试者，分别看80、100、120、150、200顶点的同密度测试图，记录测试者完成指定任务（找两点间路径、数连通分量、识别明显簇结构）的正确率和耗时，当正确率跌到70%以下、单题耗时超过30秒时，对应的规模就是这组实验的顶点数上限。
• 优先对齐同领域的实验惯例：去翻图绘制领域顶会近5年的实验论文就会发现，做静态布局可读性用户实验的工作里，80%以上的测试图顶点规模都落在50~200区间，其中100顶点是出现频率最高的基准值，按这个值设置基本不会被质疑参数合理性。
• 不要孤立设置顶点数：图的平均度（边密度）对可读性的影响远大于顶点数——100个顶点、平均度2的树图，可读性远好于50个顶点、平均度8的稠密图。做测试的时候建议把平均度固定在1.5~3的稀疏图区间（这也是现实世界大部分网络的平均度范围），不然顶点数的参考值完全没有意义。

可参考的相关研究结论 #

相关的经典结论分散在图绘制认知研究和实验规范类文献里，核心参考点包括：

• 上世纪90年代图绘制领域的经典认知实验就已经验证：静态无交互布局下，用户对图全局结构的认知绩效会在顶点数超过130后出现显著下降，这个阈值和认知心理学中人类工作记忆的处理容量上限基本匹配。
• 图绘制领域通用的实验基准集（常用的随机图、网格图、现实网络测试集）里，普遍把100顶点规模列为静态布局的标准测试档，200顶点为中规模测试起点，1000顶点以上为大规模测试档。
• 边密度与认知负荷的交互效应研究明确指出：当图的平均度超过4时，哪怕顶点数只有50，用户的认知错误率也会和200顶点的稀疏图相当，调整顶点规模时必须同步控制边密度变量。

内容的提问来源于stack exchange，提问作者legolie