Algorithm Rtrees-算法的基础知识

我试图理解RTree算法的基础知识，并试图弄清楚它是如何执行搜索的，例如，1公里内的所有保留者。我们将所有对象存储在数据库中的矩形中，然后根据当前位置（prbably）构建一个查询矩形，然后找到与之重叠的所有矩形。然后，我们是否会扫描结果以找到感兴趣的对象，即仅为餐厅的对象？

是的，R树上的范围查询基本上就是这样工作的：如果矩形与查询区域重叠，请将其展开（查看内容、矩形或点）。否则，忽略它。重叠测试对于矩形到矩形很简单，对于球形查询，您需要计算球体中心到矩形的最小距离（“minDist”）

k最近邻查询有点棘手；这里您需要优先队列。始终展开最佳候选对象（通过“minDist”），直到找到比下一个矩形“minDist”更近的k个对象

因为您不能真正索引“IsaRestaurant”属性，所以您必须构建一个只包含餐馆的r树，或者根据餐馆属性过滤结果。 （这也是如何实现的，例如在SQLite中；空间部分使用R树进行索引，而餐厅属性则通过连接或位图索引获得）

R树中棘手的部分不是查询，而是如何构建查询。对于批量加载点数据（STR），有非常简单但很好的方法，但是对于在线数据库，您需要一些棘手的方法。根据我的经验，R*-树的表现明显优于经典R-树；R*树使用的重新插入在实际的DBMS中实现起来特别困难。一个有趣的折衷方法是只使用insert和splitfromr*，而不是重新插入。在查询端，R和R*之间没有任何区别

---

kd树：它们与r树相关，但有一些关键区别：首先，它们不是为磁盘存储而设计的，只是为内存操作而设计的。其次，它们不是要更新的（它们不是平衡树），但是如果您有更改，您必须时不时地重新构建它们以保持良好的性能。因此，在某些情况下，它们的性能会非常好（而且实现起来相当简单），但一旦您获得了大数据和磁盘上的数据，它们就要痛苦得多。此外，它们不允许不同的加载策略。

只是一个注释，但要说的是，4条希尔伯特曲线有更多是无意义的。希尔伯特曲线的基本形状只有4个方向。也许你指的是摩尔曲线？即使在2D中，你也可以从每个角开始，然后先走X或Y。已经有8条曲线了。对许多人来说，摩尔曲线也是希尔伯特曲线，因为它由相同的原语组成。但我最感兴趣的是更高维度，而且这个数字上升得更多，因为你可以在每个递归步骤中使用不同的轴排列。你有一种非常奇怪的方式来计算和显示人们的东西。4个角乘以2个轴排列=8个同构变体（+轻微的布局变化，如摩尔）。这里不涉及计数，只涉及乘法。它满足三角形不等式吗？