算法2：基于EWH的最近邻搜索算法

输入：一个生物查询数据 $q=\left(q_1,\cdots ,q_n\right)$ ，索引数据表 $F^{\prime }$ ，一组权重 $\left\{{\mu }_0,\cdots ,{\mu }_e\right\}$ ，相似度阈值 $\theta$

输出：查询 $q$ 的最近邻

1) 初始化数据库中的所有数据分数为0

2) 对于每一个 $i\left(1\le i\le \mathcal{l}\right)$ ，计算 $q_{k_i}:h_0^{(i)}=H\left(q_{k_i}\right)$ ，并将(行，列)值等于 $\left\{h_0^{(i)},i\right\}$ 的所有数据赋值为 ${\alpha }_0$

3) 对于误差r从1到e，计算集合 $\left\{h_r^{(i)}:h_r^{(i)}=H\left(q_{k_i}^{(r)}\right)\right\}$ ，其中 $q_{k_i}^{(r)}$ 是与 $q_{k_i}$ 有r比特误差的向量

4) 将(行，列)值等于 $\left\{h_r^{(i)},i\right\}$ 的所有数据分数增加 ${\alpha }_r$

5) 当所有的 $f_i$ 遍历完上述步骤后，都被赋予了一定的分数。我们选择分数大于β的数据作为最近邻候选者

6) 最后穷举所有的最近邻候选者，计算它们的汉明距离并返回最近邻