在大数据时代,层次结构数据广泛出现在各种场合之中,比如文件系统结构、公司内部结构、代码结构等等。由于其结构特殊性和复杂性,人们难以认知它的结构和分布。层次结构数据可视化,能够直观地显示出层次数据的结构和分布,帮助人们快速地查找节点,对比节点权重的大小,发现数据中隐藏的信息,还能更容易地挖掘出时序数据的变化趋势等信息。常见的层次数据可视化方式分为节点链接型和空间填充型。其中,空间填充型对空间的利用率很高,即使在数据规模较大时也十分有效。树图是空间填充型中最常见的方法,它利用嵌套的方式表达层次关系,利用矩形区域的面积大小展示数据大小。过去的研究发现满足逐步加点原则的三种树图布局算法（正方化、Strip、Spiral）在常见的四种优化指标（平均长宽比、稳定性、数据一致性、可读性）上各有优缺点。进一步,树图上的交互操作、切换显示设备等都会造成相应节点的长宽比发生变化,从而导致树图布局结果的长宽比变差或者空间位置剧烈改变的后果,严重影响用户的分析任务。针对长宽比优化问题,本文结合蒙特卡洛树搜索算法以及逐步加点布局原则,在用户可接受时间内对三种树图布局算法的算术平均长宽比和新提出的加权长宽比分别进行了优化。更进一步,针对画布长宽比变化问题,本文先提出了分割四叉树,用于储存树图的原始布局结果,然后结合蒙特卡洛树搜索在此四叉分割树上进行搜索布局,在相对保持节点原始位置的情况下优化布局结果的长宽比,得到了响应式树图布局算法。之后本文设计了相应的剪枝算法,提高了搜索路径的“质量”,使得在有限迭代次数下布局结果更优。为了证明算法的有效性与实用性,本文先从理论层面上分析了算法复杂度,然后从实验层面分析了在不同规模数据、不同参数设置下算法的运行时间,在构造出的单层数据集以及真实的多层数据集上测试并与原算法进行了比较分析。最后,利用长宽比优化算法的分析结果,指导用户结合不同的数据以及分析任务选择更好的布局算法以及设置更恰当的参数。