在第36篇中，我们用分治法解决了凸包问题------将点集按 xx 坐标分为左右两半，递归求解后通过公切线合并。最近点对问题同样适合分治策略，但它的合并步骤远比凸包复杂：左右两半各自的最小距离已知，真正的全局最小距离可能由分居中线两侧的两个点产生。如何在不退化到 O(n2)O(n2) 的前提下，高效检测这种"跨越中线"的最近点对，是算法设计的核心挑战。
一、问题定义与分治框架
设 P={p1,p2,...,pn}P={p1,p2,...,pn} 为平面上的 nn 个点，pi=(xi,yi)pi=(xi,yi)。定义两点之间的欧几里得距离为：
d(pi,pj)=(xi−xj)2+(yi−yj)2d(pi,pj)=(xi−xj)2+(yi−yj)2
目标是找到使 d(pi,pj)d(pi,pj) 最小的一对点。若存在多点重合（距离为零），算法应能正确处理。
分治算法首先将点集按 xx 坐标排序。设排序后的点列为 PxPx。取 xx 坐标的中位数，将点集分为左半部分 PLPL 和右半部分 PRPR，各含约 n/2n/2 个点。递归求解 PLPL 和 PRPR 的最近点对距离，分别记为 δLδL 和 δRδR。设 δ=min(δL,δR)δ=min(δL,δR)。
若全局最近点对的两点均位于同侧，则递归已将其找出。真正需要处理的是跨越中线的情形：一点在 PLPL，一点在 PRPR，它们的距离可能小于 δδ。
二、带状区域合并：正确性与复杂度分析
跨越中线的候选点必然位于中线两侧各 δδ 的带状区域内。若某点距中线的水平距离已超过 δδ，则它到对侧任意点的水平距离也超过 δδ，总距离不可能小于 δδ。因此，仅需考虑落在宽度为 2δ2δ 的带状区域内的点。
将这些点按 yy 坐标排序，记为 Y′Y′。对 Y′Y′ 中的每个点 pp，考虑其上方紧随的若干点，计算它们与 pp 的距离。若距离小于 δδ，更新 δδ。
算法至此似乎仍可能退化：若带状区域中有很多点，按 yy 排序后对每个点逐一检查其后继，最坏情况可能需要检查 O(n)O(n) 个邻居，合并步骤仍是 O(n2)O(n2)。
关键的几何事实拯救了复杂度：在 δ×2δδ×2δ 的矩形内，最多存在常数个点。具体而言，将带状区域中某点 pp 上方 δδ 高度内的区域划分为若干个 δ/2×δ/2δ/2×δ/2 的小方格。每个小方格内至多包含一个点------因为同一个小方格内任意两点的距离不超过 δ/2<δδ/2<δ，而 δδ 已是左右两侧各自的最小距离，同侧点不可能更近。pp 上方 δδ 高度内最多跨越两行方格，每行至多 66 个方格（宽度 2δ2δ 除以方格宽度 δ/2δ/2 等于 44，但需考虑左右边界各多出一格），因此 pp 只需检查其后的至多 77 个点。
这个常数上界彻底解决了合并步骤的效率问题。对带状区域的每个点，仅需常数次距离计算。带状区域的点按 yy 排序耗时 O(∣Y′∣log∣Y′∣)O(∣Y′∣log∣Y′∣)，但若在递归过程中始终维护按 yy 排序的点列（与按 xx 排序的点列一同维护），则合并时的排序可降为 O(n)O(n)------只需将左右两侧已按 yy 排序的序列归并。总递归方程为：
T(n)=2T(n/2)+O(n)T(n)=2T(n/2)+O(n)
解得 T(n)=O(nlogn)T(n)=O(nlogn)。这正是分治法在最近点对问题上达到的最优时间复杂度。
三、算法流程的完整梳理
预处理：将 PP 分别按 xx 坐标和 yy 坐标排序，得到 PxPx 和 PyPy，耗时 O(nlogn)O(nlogn)。
递归过程 ClosestPair(Px,Py)ClosestPair(Px,Py)：
若 n≤3n≤3，暴力计算所有点对距离，直接返回最小值。
否则，按 xx 中位数 xmidxmid 将 PxPx 分为 PxLPxL 和 PxRPxR；相应地将 PyPy 分为 PyLPyL 和 PyRPyR（保持 yy 排序，仅按 xx 坐标分流）。
递归计算 δL=ClosestPair(PxL,PyL)δL=ClosestPair(PxL,PyL)，δR=ClosestPair(PxR,PyR)δR=ClosestPair(PxR,PyR)，取 δ=min(δL,δR)δ=min(δL,δR)。
构建带状区域点列 Y′Y′：将 PyPy 中 ∣x−xmid∣<δ∣x−xmid∣<δ 的点按原序收集，耗时 O(n)O(n)。
对 Y′Y′ 中每个点 pipi，依次检查其后至多 77 个点 pi+1,...,pi+7pi+1,...,pi+7，计算距离并更新 δδ。
返回 δδ。
整个过程正确且稳定，δδ 在递归归并中不断收紧，带状区域的宽度随之缩小，进一步限制每点的检查数量。
四、高维推广的困难
平面最近点对的 O(nlogn)O(nlogn) 算法漂亮地依赖于一个二维特有的几何事实：在 δ×2δδ×2δ 矩形中，点数的上界是常数。这一事实本身基于"同侧最小距离为 δδ"的前提，限制了点的密集程度。
当问题推广到 dd 维空间时，分治策略是否依然有效？答案是：分治仍然可行，但复杂度的增长方式不同。
在 dd 维空间中，分治策略取某一坐标的中位数将点集分为两半，递归求解后得到 δδ。跨越中线的候选点落在厚度为 2δ2δ 的"平板"区域内。问题在于，在 dd 维空间中，体积为 (2δ)×δd−1(2δ)×δd−1 的区域中可以容纳的点数不再是常数------当 dd 增大时，由于"维度诅咒"，点的分布可以更稀疏地保持在相互距离 ≥δ≥δ 的约束下，但仍能填满高维空间的一个薄层。
具体而言，dd 维最近点对的分治算法复杂度为 O(nlogd−1n)O(nlogd−1n)。当 d=2d=2 时，这是 O(nlogn)O(nlogn)；d=3d=3 时变为 O(nlog2n)O(nlog2n)，尚可接受；但对于高维数据（如机器学习的特征空间，dd 可达数百上千），logd−1nlogd−1n 的因子会使算法失去实用价值。
对于高维最近点对或近似最近邻搜索，实际中更常用的是基于空间划分的启发式方法（如KD树）或局部敏感哈希等近似方法，这些将在第40篇中展开。
五、总结与展望
平面最近点对的分治算法是分治策略在几何问题中的经典应用。它的核心贡献不在于分治框架本身------分治只是将问题规模减半的常规手段------而在于合并步骤中带状区域的分析：通过几何观察将看似需要 O(n2)O(n2) 的跨中线检查压缩至线性时间。常数邻居的论证是几何直觉转化为算法效率的典范。
从凸包到扫描线，再到最近点对，我们反复看到几何算法设计的核心原则：空间的局部性可以严格论证，而非仅凭直觉依赖。这一原则在下一篇------Voronoi图与Delaunay三角剖分------中将以更深刻的方式展现。Voronoi图是最近点对问题的"完全版"结构，它一次性编码了所有点的邻近关系，而Delaunay三角剖分作为其对偶结构，将成为连接计算几何与网格生成、图形学等应用领域的桥梁。