假設一個數據庫存儲每個酒店的以下信息：它的價格（夜間價格）、離海灘的距離。用戶希望檢索“最佳”酒店，如何比較兩個酒店的質量呢？
$a$ 比 $b$ 好嗎？是的，$a$ 酒店比 $b$ 酒店更便宜，而且離海灘更近，我們說 $a$ 支配 $b$。
$a$ 是不是比 $i$ 好呢？它們是不可比的。一些用戶可能更喜歡 $a$（因為它離海灘更近），而另一些用戶可能更喜歡 $i$（因為它更便宜）。
skyline 包含了所有不受其它酒店支配的酒店。skyline = $\left \{ a,i,k \right \}$，而非 skyline 酒店在大多數情況下不會被用戶考慮。
skyline 查詢算法用到了兩個重要的性質：
1）支配傳遞性：如果 $p_1$ 支配 $p_2$，$p_2$ 支配 $p_3$，那么我們就有 $p_1$ 支配 $p_3$。
2）如果一個點不能支配另一個點，那么反之亦然。
1. Block Nested Loop (BNL)
這個是最基本的查詢算法，通過暴力搜索，判斷每個酒店是否有被其他酒店支配，平方時間復雜度。
2. Sort First Skyline (SFS)
SFS是一種改進的BNL。首先根據（單調）偏好函數對整個數據集按某個維度進行排序。然后按 BNL 算法計算。
3. SCAN 掃描算法
順序掃描表格，掃描過程中維護可能成為 skyline 點的列表，假設內存允許在 List 中最多保留 $3$ 個條目。
首先初始化 List，即將 $a$ 加入 List —— List = $\left \{ a \right \}$，接下來順序掃描表格中的其它點，做如下兩個判斷：
a. 當前掃描到的點是否被 List 內的點所支配，如果沒有被支配則執行步驟 $b$；否則將該點舍棄，然后掃描下一個點。
b. 當前掃描到的點是否支配 List 內的點，如果是則刪除 List 內所有被當前點支配的點，然后執行步驟 $c$。
c. 判斷 List 內的元素是否達到元素上限，如果沒有，則將該點加入 List，否則將該點寫入磁盤，並對當前 List 內的點做標記，只有第一次
溢出時做標記，表示當前了 List 內的點和磁盤上的點互不支配。
以上面酒店為例，它的 SACN 掃描算法過程如下：
1）因為 $a$ 支配 $b$，所以丟棄 $b$，被舍棄的點不會成為 skyline 點，如果 $b$ 會支配其它的點，那么這個點必然也被 $a$ 支配。
2）因為 $c$ 不被 List 里面的點支配，也不支配 List 里的點，所以 $c$ 加入 List —— List = $\left \{ a,c \right \}$。
4）因為 $d$ 不被 List 里面的點支配，也不支配 List 里的點，所以 $d$ 加入 List —— List = $\left \{ a,c,d \right \}$。
5）因為 $a$ 支配 $e$，所以丟棄 $e$。
6）$f$ 應該加入 List，但 List 已經滿了，所以將 $f$ 寫入磁盤文件，並標記所有當時在 List中的點 —— List = $\left \{ a^{'},c^{'},d^{'}\right \}$, File = $\left \{ f \right \}$。
7）因為 $g$ 支配 List 里面的 $d$，所以用 $g$ 替換 $d$ —— List = $\left \{ a^{'},c^{'},g \right \}$, File = $\left \{ f \right \}$，$g$ 是沒有標記的。
8）因為 $h$ 支配 List 中的 $c,g$，所以用 $h$ 替換 $c,g$ —— List = $\left \{ a^{'},h \right \}$, File = $\left \{ f \right \}$
....
9）因為 $i$ 支配 $h$，所以用 $i$ 替換 $h$ —— List = $\left \{ a^{'},i \right \}$, File = $\left \{ f \right \}$
10）List = $\left \{ a^{'},i,k \right \}$, File = $\left \{ f \right \}$
11）$l,m,n$ 均被舍棄。
12）List 中有標記的點就是 skyline 點，然后還要針對 file 再做一遍 SCAN。
13）結果 $S = \left \{ a,i,k \right \}$。
4. Divide and Conquer (D&C)
把點分成幾組，使得每組的數據都能夠放進內存。分別處理這些組，然后合並它們的結果。$s_3$ 內的點直接成為 skyline，$s_4$ 內的點
直接舍去，因為它們顯然會被 $s_3$ 內的點支配，然后用 $s_3$ 內的點來消除 $s_1$ 和 $s_4$ 中的非 skyline 點。
5. Nearest Neighbor (NN)
通過 $R$ 樹的 $NN$ 算法來找 Skyline 點。
首先找到數據空間中距離原點最近的一個點，一般來說，任何距離指標都可以。這樣我們就可以找到點 $i$，這個點必然是一個 skyline 點。
對於點 $i$，我們不需要考慮陰影區域中的那些點。區域 $1$ 也不需要考慮。事實上，在這個地區是沒有意義的。區域 $2$ 和區域 $3$ 必須進一步探索。
在區域 $3$ 中執行相同的操作，即找距離原點最近的點，這樣就可以找到點 $a$，如下圖，同樣地，我們只需要關心區域 $3.2$ 和 $3.3$。
在區域 $2$ 中搜索離原點最近的點，可以找到 $k$ 點。
這個算法會經過 $3$ 次有效的 $NN$ 查詢和 $4$ 次空查詢。一般來說，如果 skyline 有 $s$ 個點，那么 $NN$ 執行 $s$ 次有用的 $NN$ 查詢和 $s+1$ 次空查詢。
6. Branch and Bound Skyline (BBS)
基於best-first NN算法實現。首先建立 $R$ 樹。
從根節點開始，算法過程如下：
已經找到的 skyline 需要用來淘汰內存中排序的那些點。