37、高维空间中的距离计算与范围最近对搜索

高维空间中的距离计算与范围最近对搜索

在几何计算领域，距离度量和范围搜索是两个关键的问题。其中，离散弗雷歇距离（Discrete Fréchet Distance）和范围最近对（Range Closest-Pair, RCP）搜索尤为重要。离散弗雷歇距离用于衡量两条曲线之间的相似度，而范围最近对搜索则是在给定的点集中，找出指定范围内距离最近的点对。

离散弗雷歇距离与LSH过滤

离散弗雷歇距离的计算在许多领域都有应用，如轨迹分析、形状匹配等。为了提高计算效率，研究人员提出了基于局部敏感哈希（Locality-Sensitive Hashing, LSH）的过滤方法。

在过滤过程中，不同颜色的区域代表了不同的决策结果：
- 绿色区域：表示使用启发式方法得到的正决策对。
- 红色区域：表示使用启发式方法得到的负决策对。
- 蓝色区域：表示被LSH方案排除的对。虽然这些对被视为负对，但可能包含一些假阴性。蓝色区域越大，说明LSH方案的过滤能力越强。

过滤后的对还可以通过端点过滤进一步简化。不同的数据集对简化的效果不同，有些数据集使用较粗的简化方法就有效，而有些则需要更精细的简化（即较小的 ε）。

范围最近对搜索的挑战与现状

范围最近对搜索是经典最近对问题的一个变体，其目标是将给定的点集存储到一个空间高效的数据结构中，以便在指定查询范围时，能够快速报告该范围内的最近点对。

然而，RCP搜索具有非可分解性，这意味着传统的范围搜索技术在RCP搜索中往往不适用，使得该问题具有很大的挑战性。目前，大多数已知的结果都局限于二维平面（R²），对于更高维度的研究较少。