近年来,随着以博客、社交网络、基于位置的服务（Location Based Service,LBS）为代表的信息发布方式的涌现,以及物联网、云计算等技术的发展,我们已经进入大数据时代。在这样的背景下,空间数据开始得到前所未有的关注。空间数据,即带有空间维度的数据,用于描述实际生活中的物体,表明空间实体的形状大小以及位置和分布特征。现实生活中的数据超过80%与地理位置有关。空间大数据的价值在于空间与对象之间的关联关系,而如何高效地处理空间大数据,是让其对人类产生贡献的重中之重。最近邻（Nearest Neighbors,NN）查询是计算数学中一个传统的问题,可应用于内容的相似性检索、模式识别、地理信息系统（Geographic Information System,GIS）等等。在此基础上,各种空间查询也不断涌现。给定一个设施点集合、一个客户点集合以及一个查询设施点q,反向k最近邻（Reverse k Nearest Neighbors,Rk NN）查询查找客户点中每个将q当作它的k个距离最近的对象之一。由于q对查询结果中的客户有着最大的影响,这些客户有极大的可能会使用q点的设施。以餐厅为例,在市场调研中,可以通过检索所有将这家餐厅当作k个最近邻之一的居民点,来评估一家新开的餐厅q潜在的客户。除了设施选址领域外,Rk NN还可在更多场景中广泛使用,如市场预测、决策支持、资料库文件搜索等,得到了深入的研究。设施选址问题在生产生活、物流,甚至军事领域中都有着广泛的应用,包括工厂、消防站、物流中心,以及导弹仓库的选址等。选址是最重要的长期决策之一,选址的好坏直接影响到设施的服务质量、服务效率和服务成本,从而影响到利润和市场竞争力。本文中,我们提出了一种Rk NN查询的全新变体,群组最大化反向k近邻（Maximal Group Reverse k Nearest Neighbors,Max Group Rk NN）查询。给定一个客户点集合,一个候选设施点集合,输入参数k和m,Max Group Rk NN查询返回一个从候选设施点集合中选出的、由m个设施组成的集合,该集合的Rk NN查询结果集为最大值。Max Group Rk NN查询对于多设施选址问题非常重要。不同于传统的单设施选址,该问题致力于为一组提供相同服务的设施（如连锁超市、加油站、物流中心等）选取地址,从而尽可能为附近最多的客户提供服务。对于该问题,枚举出设施的全部组合是一种直接的解决方案,但显然过于耗时。为了解决这一问题,我们提出了一个基于剪枝技术的高效算法MGR。提出的剪枝技术能够过滤掉不会对最终结果产生影响的候选点,从而极大幅度降低了计算用时。我们还为该算法提供了详细的理论分析。在此基础上,我们提出了一个称作“贡献度”的概念,用以表示每个候选点在剪枝过程中的重要程度。基于这一概念,我们对MGR算法进行了优化,进一步提高了剪枝率,并大幅降低了计算用时。实验结果表明了我们提出的算法有着高效率和高可扩展性,能够在多设施选址问题中取得良好的结果,在实际生活中有着广阔的应用前景。