C++ STL：海量数据中的排序和搜索

我有两组点来源和目标。目标是为每个源点找到目标中唯一的1:1最近邻点

我的尝试如期进行，但速度慢得可笑。我已经测试了几千个点，但在实际场景中，点数将是数百万。我不是STL方面的专家。有什么建议我可以优化它吗

std::vector<UT_Vector3> targetPosVector;
for (auto i = 0; i < targetNumPoints; i++)
{
    auto pos = target->getPos3(i);

    targetPosVector.push_back(pos);
}

std::vector<int> uniqueNeighborVector;
for (auto ptoff = 0; ptoff < sourceNumPoints; ptoff++)
{
    std::vector<std::pair<int, fpreal>> nearpointVector; // neighbor vector in form of "(idx, dist)"

    auto pos = source->getPos3(ptoff);
    for (auto j = 0; j < targetNumPoints; j++)
    {
        fpreal dist = pos.distance(targetPosVector[j]);

        std::pair<int, fpreal> neighbor {j, dist};
        nearpointVector.push_back(neighbor);
    }
    std::sort(nearpointVector.begin(), nearpointVector.end(), [](const std::pair<int, fpreal> &left,
                                                                 const std::pair<int, fpreal> &right)
                                                                { return left.second < right.second; });

    std::vector<int> neighborVector;
    for (auto i : nearpointVector)
    {
        neighborVector.push_back(i.first);
    }

    // trying to imitate Python's next() function
    // uniqueNeighborList[]
    // uneighbor = next(i for i in neighborVector if i not in uniqueNeighborVector)
    // uniqueNeighborVector = set(uniqueNeighborList.append(uneighbor))
    for (auto i : neighborVector)
    {     
        if (std::find(uniqueNeighborVector.begin(), uniqueNeighborVector.end(), i) == uniqueNeighborVector.end())
        {
            int uneighbor = i; // later on binds to the geometry attribute

            uniqueNeighborVector.push_back(i);

            break;
        }
    }
}

其中：

源和目标是详细的几何图形数据 距离是计算两个向量之间距离的函数 getPos3是一个函数，用于获取3个浮点向量点的位置 fpreal aka 64位浮点 UT_矢量3是3-浮点矢量 sourceNumPoints和targetNumPoints是中的点数 分别为源几何体和目标几何体。

---

如评论中所述，当试图计算数百万个点的二次复杂度时，二次复杂度会下降。即使优化代码，如果方法不变，二次复杂度也会保持不变

在我看来，这就像R3中的经典NN问题。一种众所周知的方法是使用，它们允许OLOGN查询时间在On log n构造时间和线性空间内。可以通过各种库来寻找实现：，这些是通过快速搜索得到的，我确信也有包含k-d树的复杂库

简要回顾：我会使用三维树，并在目标点集上构建它。然后一个接一个地获取每个源点，并在三维树中以Olog n时间找到每个点的最近邻点，这将产生O |源|日志|目标|时间和O |目标|大小

---

一个相关的。

标准库确实没有为此任务进行优化。看看专门的库，比如。这里的问题与其说是STL，不如说是选择的算法。您正在生成二次数量的距离对，因此这种方法不会扩展到数百万个点。您需要使用某种形式的空间细分来快速拒绝不可能的配对，而不是盲目地尝试所有组合。即使如此，即使是目前的蛮力实现也显得不必要的复杂。我推测一个目标点可能只匹配一次，低阶源获得第一个DIB。若是这样的话，那个么就不用生成和排序一个临时向量，然后线性扫描整个目标集，我建议通过将使用过的目标交换到后面，并在不进行中间缓冲和排序的情况下在线选择最佳匹配。虽然这不会让你进入百万，但这可能是一个开始。目标点是随机分散的。让我们假设第一个点的最近邻是1203，第二个点的最近邻可能是719123或具有巨大跳跃的任何东西。@Pradeep Barua：很好，均匀的随机分布应该使事情相对容易处理。例如，您可以尝试将目标点划分为三维网格结构。然后在搜索过程中，直接索引最近的网格条目，并逐渐向外扫描，返回并删除找到的第一个点。随着网格大小调整到密度，我相信这应该是大致线性的。