我正在寻找一种高性能的算法，根据此数据结构，按位置，性别和年龄匹配大量人员：
- 经度（表示人员所在的位置）
- 纬度（表示人员所在的位置）
- 性别（代表人们的性别）
- 生日（表示此人的生日）
- LookingForGender（表示此人正在寻找的性别）
- LookingForMinAge（表示此人正在寻找的最低年龄）
- LookingForMaxAge（表示此人正在寻找的最大年龄）
- LookingForRadius（表示此人正在寻找的最大距离）
- 已处理（表示此人已经处理过的其他人）
对于任何人P，算法应返回适用的候选C：
- C的性别必须等于P.LookingForGender
- P的性别必须等于C.LookingForGender
- C的生日必须在P.LookingForMinAge和P.LookingForMaxAge之间
- P的生日必须在C.LookingForMinAge和C.LookingForMaxAge之间
- P和C之间的纬度/长距必须小于或等于P.LookingForRadius
- P和C之间的纬度/经度距离必须小于或等于C.LookingForRadius
- 已处理的P不能包含C
算法应按距离顺序（纬度/经度）返回前100个候选C。该算法应同时针对搜索和更新进行优化，因为人们可能会经常更改其位置。
我目前的想法是，与这些需求相比， k-d树可能比 locality-sensitive-hashing 更合适，我应该朝这个方向发展。
您对我有什么建议？我应该找什么？您看到什么风险？
谢谢！
更新：
- 我是否愿意牺牲空间复杂度来提高时间复杂度？是的，我更愿意牺牲空间复杂度。但是我更喜欢有一个我真正理解并可以维护的O（log n）解决方案，而不是一个我无法掌握的O（1）解决方案：）
- 数据是否适合主存储器？否。数据将分布在分布式文档数据库（Azure Cosmos DB SQL API）的不同节点上。
- 您想要确切的结果还是近似的结果？近似的结果还可以，但是年龄/性别应该正确过滤。
- 在算法中添加了“已处理”，很抱歉错过了！
- 人们多久更改一次位置？用户每次启动应用程序并寻找候选人时都会更改其位置。因此，每日活跃用户每天将更改其位置一次或多次。但是，位置更改可能很小，因此只有几公里。从100次应用下载中，有15位用户每月将使用一次或多次该应用，而3位用户每天将使用一次或多次。