Matlab 给定一组数据点，找到一个；“最近的”；

所以我们有一组3D点的参考集（我们称之为R）和许多其他3D点集（我们称之为数据点集p，以及该Pi中的每个数据集）

任务是返回Pi，该Pi使某些Pi和R中的数据点之间的欧几里德距离最小化。我的看法是：

对于Pi中的每个点，比较R中的每个点，并找出两点之间的最小差值

将这些最小距离相加，以达到Pi和R之间的最小总“差”

答案Pi是差异最小的一个

但这是相当疯狂的，因为它意味着从本质上看R中的每个点和p中的每个点之间的距离，可能是数千或数百万。我当然可以做得更好

我在Matlab中工作，我不习惯

---

使用哪种算法更好？是否有一种数据结构适合于此？（例如K-D树？

除非你有如此多的点，以至于这真的成为一个性能问题，否则与每个点进行比较确实是最简单的解决方案，特别是因为这些操作可以在Matlab中高度矢量化

例如：

R = [1 2 3; 1 3 4];
P{1} = [2 3 5;1 1 2;2 1 3];
P{2} = [4 4 4];

nP = length(P);
sumMinDist = zeros(nP,1);

%# make R into n-by-1-by-3 already
Rperm = permute(R,[1 3 2]);

for iP = 1:nP

%# since we want to sum up the minima, we need to take the square root
allDist = sqrt( sum( bsxfun(@minus, Rperm, permute(P{iP},[3 1 2])).^2, 3));

%# sum the minima (you may want to consider
%# taking the mean instead!)
sumMinDist(iP) = sum(min(allDist,[],1));

end

%# now we can identify the closest set
[~,idxOfClosestSet] = min(sumMinDist);