主要步骤：

数据准备阶段：

  1. 生成合成数据集 `X`。

  2. 定义聚类层数 `L` 和每个层次的子集数量 `l`。

聚类阶段：

  1. 对数据集进行 K 均值聚类。

  2. 存储每个簇的数据点、中心点和半径。

树搜索阶段：

  1. 初始化参数，如待判定样本 `x`、阈值 `B`、当前层数 `CurL` 和节点指针 `p`。

  2. 在循环中，从当前节点的子节点中选择一个最有可能的节点。

  3. 如果当前节点是叶子节点，则检查是否有更近的邻居点。

  4. 如果当前节点不是叶子节点，则进入下一层继续搜索。

输出结果：

   输出最近邻点 `Xnn` 和其索引。