如何在Haskell中实现快速、懒惰的KDTree？

我试图在Haskell中实现kdtree（请参见），但在实现最近邻算法（请参见第46行）时，我试图变得聪明并利用Haskell的懒散性

虽然这在技术上是正确的，但是：

minimumBy (compare `on` qd q) vs == head . nearestNeighbours (kdtree 5 vs) $ q
==> True

基于kdtree的版本要慢得多（标准：5.38ms vs 138.44ms，500k数据点）。我最初认为这是由于

ordMerge

（第59行）中的模式匹配过于严格，但我重新编写了它，根据我的理解，

bs

现在只应根据需要进行评估

如果是这种情况，算法应该只下降到匹配的桶，并重新搜索，同时检查当前最佳最近邻是否真的是最佳候选

我做了一些分析，最近的邻居被调用了大约800次。考虑到树的深度为8和100个测试用例，这听起来是合理的，不是吗

---

刚刚将我的代码上载到github：

这应该让你开始：

git clone https://github.com/fhaust/threesg
cd threesg
cabal sandbox init
cabal install --enable-benchmarks --enable-tests
cabal test
cabal bench --benchmark-options="+RTS -K100M -RTS"

（

-K100M

是必需的，因为测试集是从500k点创建的）

---

---

在为github创建测试集时，我注意到，在正态分布点上，kdtree搜索比线性搜索运行得快得多。。。可能我的问题不是算法。。。但是我的测试集：（

最后，这是一个跟踪评估顺序的问题。我将最新版本上传到了

看一看：只有当第一个列表的第一个条目与“不可能有更好的候选者”标准不匹配时，才会对第二个列表进行评估

就标准而言，我做了一些，kd树确实更快

---

你觉得这个解决方案怎么样？我认为代码非常简洁易读。有没有明显的性能损失？

你试过分析这个函数吗？是的……但这对我没有帮助。它大部分时间都花在

nearestneights.nnl

和

nearestneights.nnr

上。你在比较kd树，然后用蛮力找到最近的邻居？@DiegoNolan…不，在做基准测试之前，kdtree是强制的。我希望我写的是正确的。你有

main

函数和我们可以使用的示例数据吗？我注意到的主要问题是

ordMerge

可能没有内联，：try应用蹩脚的静态参数转换技巧，或者尝试

或merge f q p n d=go where go=…

（更好的无点风格）因此递归在常量args上是封闭的。希望结合

dist'

的内联将

f

的应用程序共享给

p

和

q

编译器。让我们知道您的发现