关于this question的阐述，但有更多限制。欧几里得数据密度可变的简单k最近邻算法？
这个想法是相同的，找到一个简单，快速的2个欧几里德维数最近的邻居算法。如果您可以找到适合分区数据的网格大小，则分流网格似乎可以很好地工作。但是，如果数据不是均匀分布的，而是密度非常高和非常低的地区（例如美国人口），那么没有固定的电网规模可以保证足够的邻居和效率？这种方法是否仍能挽救？
如果没有，其他的建议将是有益的，但我希望的答案比移动到KD树那么复杂等
你有看吗？
http://www.cs.sunysb.edu/~algorith/major_section/1.4.shtml
KD树是实现很简单，有标准的Java/C实现。
另外：
你可能想在这里发表您的问题：
如果你没有太多的元素，只是比较每一个与所有其他人。这可能会比你想象的要快得多;今天的机器是快速。不幸的是，平方因素迟早会抓住你;我认为对一百万个物体的线性搜索不需要太长的时间，所以你可能会有多达1000个元素。使用网格，甚至条纹，可能会大大提高这个数字。
但我认为你被困在四叉树（k-d树的特定形式）。你的整个地图是一个块，其中可以包含四个子块（左上，右上，左下，右下）。当一个块填充的元素多于你想进行线性搜索时，将其分解为更小的元素并传输元素。 （只有叶节点具有元素。）在给定点的给定半径内进行搜索很容易。从顶部开始，如果块的一部分位于点的范围内，请检查它的子块是否具有相同的方式。如果没有，请检查其元素。 （当搜索“最接近”时，要小心，方格意味着距离较近的物体可能位于一个更远的区域内，必须将所有物体都放在给定的半径内，然后检查它们是否全部如果你想要10最接近，你的半径20只拿起5，你需要尝试更大的半径，你可能有一个被拒绝的项目，证明是30远，认为你应该抓住它和其他几个人来弥补你的10。可能是25个客场中的一些物品，整个街区都被拒绝了，而你却想要它们，应该有更好的解决方案，但我还没有弄明白，我只是猜测半径和双倍直到我得到足够的。）
Quadtrees很有趣。如果你可以设置你的数据然后访问它，那很容易。当你试图找出谁在接近什么时，你的映射元素出现，消失和移动时会出现问题。