On the Planar Two-Center Problem and Circular Hulls
给定欧氏平面上$n$点的集合$S$,双中心问题是找到两个最小半径的全等圆盘,其并集覆盖$S$的所有点。以前,Eppstein [SODA'97]给出了$O(n\log^2n)$期望时间的随机算法,Chan [CGTA'99]给出了$O(n\log^2 n\log^2\log n)$时间的确定性算法。本文提出了一种$O(n\log^2 n)$时间确定性算法,它改进了Chan的确定性算法,并与Eppstein的随机界相匹配.若$S$处于凸位置,则在$O(n\log n\log\log n)$确定时间内求解。我们的研究结果依赖于新的技术,用于动态维护圆形船体下的点插入和删除,这是独立的利益。
2020-02-19 cs.CG cs.DS
Rectilinear Convex Hull with minimum area
设$P$是一般位置上的$n$点的平面集合。我们考虑的问题,计算一个方向的平面,对于该平面,$P$的矩形凸包具有最小面积。Bae等人(计算几何:理论和应用,第42卷,2009)在二次时间和线性空间中解决了该问题。我们描述了一个算法,降低了这个时间复杂度为$Θ(n \log n)$。
2017-12-26 cs.CG
Flip Graphs for Eight Points in Three Dimensions Are Connected
本文证明三维空间中四至八个点(无四点共面)的完全几何翻转图在2↔3翻转下连通,通过径向投影和归纳法,最多35次翻转可达放置形式。
2026-09-15 cs.CG
The Impossibility of Simultaneous Time and I/O Optimality for The Planar Maxima and Convex Hull Problems
Aarhus University(奥胡斯大学);University of Hawai’i at Mānoa(夏威夷大学马诺阿分校)
本文证明了对于平面凸包和极值问题,不存在同时最优时间复杂度和I/O复杂度的确定性输出敏感算法,解释了为何之前的最佳算法在I/O界上最优但时间复杂度次优。此外,本文还提出了简单的确定性算法,提供时间与I/O之间的权衡,并通过简单修改得到一个同时达到最优时间复杂度和期望I/O复杂度的随机算法。
2026-05-20 cs.CG cs.DS
A 3D Sweep Hull Algorithm for computing Convex Hulls and Delaunay Triangulation
本文提出了一种新的计算三维点集的凸包的O(nlog(n))算法。该算法首先对(x,y,z)中的点进行排序,然后使用约束条件将排序后的点递增地添加到凸包中,该约束条件是添加到包中的每个新点都可以“看到”至少一个与最后添加的点接触的小平面。减少了添加新点的搜索时间。该算法属于扫掠船体算法家族。虽然对于一般情况比q壳慢,但对于所有点都在3D壳上的病理情况(如德洛内三角剖分的情况),它显著优于q壳。该算法被命名为“Newton Apple Wrapper算法”,并已在GPL下以C++发布。关键词:德洛内三角剖分,三维凸包。
2016-02-11 cs.CG
S-hull: a fast radial sweep-hull routine for Delaunay triangulation
提出了一种新的O(nlog(n))算法,用于二维点集的德洛内三角剖分。该算法的新组件是径向传播的\emph{sweep-hull}(从径向排序的2D点集顺序创建,给出非重叠三角剖分),与最后的三角形翻转步骤配对,给出Delaunay三角剖分。在经验测试中,该算法运行在随机生成的点集上的二维德洛内三角剖分的q壳的时间的大约一半。
2016-03-18 cs.CG
CudaChain: A Practical GPU-accelerated 2D Convex Hull Algorithm
提出了一种实用的GPU加速凸包算法和一种基于排序的平面点集预处理方法。该算法由两个阶段组成:(1)在GPU上进行两轮预处理;(2)在CPU上完成期望凸包的计算。我们首先丢弃位于由四个端点形成的四边形内的内部点,然后将剩余的点分布到几个(通常是四个)子区域中。对于每个点的子集,我们首先对它们进行并行排序,然后使用SPA进行第二轮丢弃,最后为当前剩余的点形成一个简单的链。通过直接连接子区域中的所有链,可以很容易地生成简单的多边形。最后通过计算简单多边形的凸包来获得输入点的期望凸包。我们使用Thrust库来实现并行排序、约简和分区,以提高效率和简单性。实验结果表明,该算法在20 M点的情况下,比Qhull算法有5 ~ 6倍的加速比。因此,该算法简单,效率高,在实际应用中具有一定的竞争力。
2015-08-22 cs.CG
Alpha-Concave Hull, a Generalization of Convex Hull
包围壳,如凸包、凹壳、α形等,在各个领域特别是在计算几何中有着广泛的应用。α形和凹壳是凸包的推广。与凸包不同,它们在一组点上构造非凸包围。本文介绍了凸包的另一种推广形式--α-凹包,并与凸包和α形进行了比较。我们表明,α-凹壳也是一个推广的NP完全问题,名为最小面积TSP。我们证明了计算的α凹壳是NP-困难的一组点。
2014-12-10 cs.CG
Convex Hull for Probabilistic Points
我们分析了一个O(nlog n)时间分治算法的正确性的凸包问题时,每个输入点是一个正态分布确定的位置。我们表明,该算法发现的凸包,这样的概率点的精度在一定的预期的正确性由用户给定的置信度值。为了精确地解释所得到的结构是如何正确的,我们引入了一个新的证书误差模型,用于基于几何结构的基本性质来计算和理解近似几何误差。我们表明,这种新的误差模型意味着正确性下的强大的统计误差模型,其中每个点位于外壳内的概率至少是用户给定的置信度值,为凸包问题。
2016-08-05 cs.CG
VQhull: a Fast Planar Quickhull
本文提出VQhull,一种利用向量指令和最小化数据移动的Quickhull并行实现,在基准测试中显著提升运行时间并接近峰值带宽,同时揭示并行计算中运行时间与能耗的非同步关系。
2025-10-10 cs.CG
An Empirical Evaluation of Preconditioning Data for Accelerating Convex Hull Computations
凸包描述了一组数据的范围或形状,在计算几何中广泛使用。在有限的n点集(x,y)上构造凸包的常用算法从O(nlogn)时间到O(n)时间不等。然而,通常的情况是,应用启发式过程来将原始的n个点的集合减少到包含外壳的s < n个点的集合,从而加速最终的外壳查找过程。我们提出了一个算法,以建立一个二维凸包与整数坐标,有三个明显的优势之前的数据预处理。首先,对于所有的实际目的,它是线性的,第二,没有明确的排序数据是必需的,第三,减少了s点的集合构造,使其形成一个有序的集合,可以直接流水线到一个O(n)时间凸包算法。在这些标准下,快速(或O(n))预处理原则上创建一个快速的凸包(约O(n))的任意一组点。本文对最常见的凸包算法的方法产生的加速度进行了经验评估和量化。从数据集上的实验中发现,与以前现有的预处理方法相比,至少有四倍的额外加速。
2015-05-05 cs.CG
Incremental and Decremental Maintenance of Planar Width
我们提出了一种算法,用于保持平面点集的宽度动态,点插入或删除。我们的算法每次更新需要O(kn^n)的时间,其中k是更新在凸包中引起的变化量,n是集合中的点的数量,并且k是任意小的常数。对于增量或减量更新序列,每次更新的摊销时间是O(n^n)。
2000-05-04 cs.CG
Reduction of Two-Dimensional Data for Speeding Up Convex Hull Computation
提出了一种增量式的二维数据点凸包计算方法。该算法对输出不敏感,并且在输入数据点的大小上花费线性的时间。格雷厄姆扫描仅应用于数据点的子集,表示在数据集的极值处。点被分类为极值,与模距离成比例,关于由数据集的凸包界定的区域内部的假想点,假设为极坐标中的原点或中心。数据的子集通过终止于到达,直到对于迭代地和指数地减小的间隔,每个仓观察到最大点没有变化的事件。
2022-02-10 cs.CG
Polygon Queries for Convex Hulls of Points
我们研究了如下的范围搜索问题:预处理一组$P$的$n$点在平面上相对于一组$\mathcal{O}$的$k$方向%,为常数,在平面上,以便给定一个$\mathcal{O}$导向的凸多边形$Q$,$P\cap Q$的凸包可以有效地计算,其中一个$\mathcal{O}$导向的多边形是一个多边形,其边缘具有方向在$\mathcal{O}$。我们提出了一个数据结构与$O(nk^3\log^2n)$空间和$O(nk^3\log^2n)$建设时间,和$O(h+s\log^2 n)$时间查询算法的任何查询$\mathcal{O}$ -面向凸$s$ -gon $Q$,其中$h$是凸包的复杂度。此外,我们可以计算周长或面积的凸包$P\cap Q$在$O(s\log^2n)$时间使用的数据结构。
2019-10-19 cs.CG
Approximate Convex Hull of Data Streams
给定一个有限的点集$P \subseteq \mathbb{R}^d$,我们希望找到一个小的子集$S \subseteq P$,使得$S$的凸包近似包含$P$。更正式地说,$P$中的每个点都在$ε$到$S$的凸包的距离内。这样的子集$S$称为$ε$ -外壳。计算$ε$壳是计算几何、机器学习和近似算法中的一个重要问题.在许多实际应用程序中,$P$集合太大,内存中无法容纳。我们考虑的流模型中的算法顺序接收$P$点,并努力使用最小的内存量。用于计算$ε$外壳的现有流式算法需要$O(ε^{-(d-1)/2})$空间,这对于最坏情况输入是最优的。然而,这忽略了数据的结构。$P$的$ε$外壳的最小尺寸,我们用$\text{OPT}$表示,可以小得多。一个自然的问题是流算法是否可以仅使用$O(\text{OPT})$空间来计算$ε$外壳。我们从下限开始,表明不可能有一个单通道流算法,计算一个$ε$ -外壳与$O(\text{OPT})$空间。相反,我们提出了三个放松的问题,我们可以计算$ε$ -外壳使用空间近线性的最佳大小。我们的第一个算法的点在$\mathbb{R}^2$到达随机顺序使用$O(\log n\cdot \text{OPT})$空间。我们的第二个算法在输出$\mathbb{R}^2$-hull之前生成$O(\log(\frac{1}ε))$通道,并需要$O(\text{OPT})$…
2017-12-14 cs.CG
Optimal Time-Convex Hull under the Lp Metrics
考虑了平面上存在直线公路时,在一般$L_p$度量下点集的时间凸包的计算问题。假设沿着高速公路的行进速度比离开高速公路的行进速度快,并且远距离对之间的最短时间路径可以涉及沿着高速公路行进。一个点集$P$的时间凸包${TCH}(P)$是包含$P$和\emph{all}的最小集合,它是${TCH}(P)$中任意两点之间的最短时间路径。本文给出了一个算法,该算法在最优$O(n\log n)$时间内,对给定的$n$点集和实数$p$,用$1\le p \le \infty$计算$L_p$度量下的时间凸包。
2013-04-30 cs.CG
Efficient Range Reporting of Convex Hull
我们考虑在二维正交范围查询中报告凸包点的问题。形式上,让$P$是$\mathbb{R}^{2}$中的一组$n$点。如果一个点位于点集$S$的最小凸多边形的边界上,则该点位于点集$S$的凸包上。在本文中,我们感兴趣的是找到点,在$P$中的点,也落在一个正交范围$[x_{lt},x_{rt}]\times{}[y_b, y_t]$的凸包的边界上。我们提出了一个$O(n \log^{2} n) $空间数据结构,可以支持在一个正交范围内的凸包上的报告点,在时间$O(\log^{3} n + h)$。这里$h$是输出的大小。这项工作改进了(Brass et al. 2013)\cite{brass}的结果,该结果构建了一个使用$O(n \log^{2} n)$空间并具有$O(\log^{5} n + h)$查询时间的数据结构。此外,我们表明,我们的数据结构可以稍微修改,以解决其他相关问题。例如,为了计算正交查询矩形中凸包上的点数,我们提出了一种可以在$O(\log^{3} n)$时间上查询的$O(n \log^{2}n)$空间数据结构。我们还提出了一种$O(n \log^{2} n) $空间数据结构,可以在$O(\log^{3} n$)时间内计算正交范围查询内凸包的$area$和$perimeter$。
2013-07-23 cs.CG
A Straightforward Preprocessing Approach for Accelerating Convex Hull Computations on the GPU
一种加速点集凸包计算的有效策略是通过丢弃内部点来过滤输入点。在本文中,我们提出了这样一个简单而有效的预处理方法,通过利用GPU。我们的方法背后的基本思想是丢弃位于由16个端点形成的凸多边形内的点。由于点集的极值点在所有点旋转相同角度时不会发生变化,因此可以在原始点集中找到四组具有最小或最大x或y坐标的极值点。这16个端点然后用于形成凸多边形。我们检查所有输入点,并丢弃位于凸多边形内部的点。我们使用剩余的点来计算期望的凸包。实验结果表明:采用该预处理算法时,与不采用该方法的情况相比,平均加速比约为4倍~ 5倍,最佳情况下加速比约为5倍~ 6倍。此外,在大多数实验测试中,超过99%的输入点可以被丢弃。
2014-05-28 cs.CG
Convex Hulls under Uncertainty
我们研究的凸壳问题的概率设置,出于需要处理数据的不确定性固有的许多应用程序,包括传感器数据库,基于位置的服务和计算机视觉。在我们的框架中,每个输入站点的不确定性由有限数量的可能位置上的概率分布来描述,包括\emph{null}位置以说明点的不存在。我们的研究结果包括精确和近似算法计算的概率内的一个查询点躺在凸包的输入,时间-空间权衡的成员资格查询,Tukey深度和成员资格查询之间的连接,以及一个新的概念$\some$ -船体,可能是一个有用的表示不确定的船体。
2014-06-25 cs.CG
On the Expected Complexity of Random Convex Hulls
在本文中,我们提出了几个结果的预期复杂性的凸包的$n$点选择均匀和独立的凸形。(i)我们表明,$n$点的凸包的顶点的期望数量,均匀地和独立地从一个磁盘是$O(n^{1/3})$,和$O(k \log{n})$的情况下,一个凸多边形与$k$边。这些结果是众所周知的(见\cite{rs-udkhv-63,r-slcdn-70,ps-cgi-85}),但我们相信这里给出的初等证明更简单,更直观。(ii)设$\D$是平面上的一组方向,我们定义了由$\D$导出的凸性的一个推广概念,它推广了直线凸性和标准凸性.我们证明了预期的复杂性的$\D$凸包的一组$n$点,选择均匀和独立的磁盘,是$O(n^{1/3} + \sqrt{nα(\D)})$,其中$α(\D)$是最大的角度之间的两个连续的矢量在$\D$。这一结果扩展了已知的直线和标准凸的情况下的界限。(iii)设$\B$是$\Re^d$中的轴平行超立方体。我们证明了$n$点的集合$S$的象限壳的边界上的点的期望数目,均匀地和独立地从$\B$选择是$O(\log^{d-1}n)$。点集的象限壳是直线凸性向高维的推广。具体地,该数量大于$S$中的最大值的数量,并且也大于作为$S$的凸包的顶点的$S$的点的数量。这些界限是已知的\cite{bkst-anmsv-78},但我们相信新的证明更简单。
2011-11-22 cs.CG
Sublinear Explicit Incremental Planar Voronoi Diagrams
提出了一种数据结构,该数据结构显式地保持平面中的$N$点的沃罗诺伊图的图形或三维中的点的凸包的对偶图,同时允许插入新的站点/点。我们的结构支持插入$\tilde O (N^{3/4})$预期摊销时间,其中$\tilde O$抑制多对数项。这是实现次线性时间插入的第一个结果;以前Allen等人表明,每次插入的$Θ(\sqrt{N})$摊销组合变化可能发生在沃罗诺伊图中,但次线性时间算法仅针对凸位置点的特殊情况提出。
2020-07-03 cs.CG
Convex hull: Incremental variations on the Akl-Toussaint heuristics Simple, optimal and space-saving convex hull algorithms
凸包是一种基本的几何工具,用于许多算法。Akl和Toussaint在1978年的一篇著名论文中描述了一种减少计算中涉及的点数的方法,该方法被称为Akl-Toussaint算法。本文首先研究了这个算法在减少点方面真正代表了什么,并证明了最优选择是使用一个三角形来实现的,因为剩余的点的数量是O(sqrt(N))而不是通常的O(N)。然后,它集中在优化整体计算效率的凸包计算。虽然在计算中通常将投影法作为第一步,但人们可以直接从投影法的基得到凸包。首先描述了一个简单的增量实现,如果Akl-Toussaint算法的特征点个数p作为参数,则计算凸包的平均复杂度为O(N(p+h/p)),渐近复杂度为O(Nh).实验结果表明,当相对常数因子为1/p时,该算法在平均值上是线性的。最坏情况下的复杂度是O(N^2),空间复杂度是O(h),但如果所需的输出是凸顶点的索引数组,则可能是O(1)。然后,评论为什么基本的增量法应首选平均情况下。最后给出了一个平均和最坏情况下的最优线性算法,该算法具有最小的平均O(sqrt(N))的空间复杂度(如果允许就地计算,则为O(1)).
2013-04-09 cs.CG
A Rank-based Convex Hull method for Dense Data Sets
提出了一种新的计算n个整数点的充分稠密集的凸包的二维方法。该方法采用了一个排名功能,避免直接排序的点,从而降低了整体的时间复杂度。排序的点创建一个简单的多边形链,从中可以使用合适的O(n)方法找到凸包。结果是通过将点的密度(或比率)限制为m来实现的,其中m是表示产生O(n+m)方法的点集所需的排名函数的最大值。然后,基于数据集的位长度p开发了一种快速方法,该方法进一步减少了该时间。所需的条件很容易满足的图像处理方法,确定多边形区域的壳密度是在3%的范围内。我们的实验范围的问题域表明,这是不典型的。由于该方法的复杂度与当前机器的位大小p(p=32,p=64)有关,因此该方法对于所有实际目的都是O(n)。提供了一个简短的证明。
2013-01-21 cs.CG
Convex Hulls: Surface Mapping onto a Sphere
针对三维凸包算法在共面、数值精度及退化点云等方面的实现挑战,提出一种基于支撑映射和曲面投影的全新迭代方法,构建简单且鲁棒的2d和3d凸包算法。
2023-04-08 cs.CG
Highway Hull Revisited
公路H是平面上的一条线,在这条线上,人们可以以比在其余平面上更大的速度行驶。可以选择在任何点进入和退出H。一对点之间的公路时间距离是从一个点移动到另一个点所需的最短时间,可选择使用H。点集S的公路包HH(S,H)是包含S以及HH(S,H)中所有点对之间的最短路径的最小集合,使用公路时间距离。在L_1度量下,我们给出了一个Theta(nlogn)的最坏情况时间算法,在L_2度量下,我们给出了一个O(nlog^2n)的时间算法,改进了O(n^2)的已知结果.我们还定义并构造了平面的有用区域:公路必须相交的区域,以便至少一对点之间的最短路径使用公路。
2009-04-22 cs.CG
Finding the vertices of the convex hull, even unordered, takes Omega(n log n) time -- a proof by reduction from epsilon-closeness
考虑给定平面上n个点的集合S,S中的哪些点是S的凸包的顶点的计算问题。对于这个问题的某些变化,存在不同的证明,证明这个问题在代数决策树模型中的复杂性是Omega(n log n)。本文给出了一个相对简单的ε-贴近度归约证明。
2018-12-04 cs.CG
Separating bichromatic point sets in the plane by restricted orientation convex hulls
我们探讨了在平面上的点集的可分性的限制方向凸包,这是一个依赖于方向,可能断开,和非凸封闭的形状,概括了凸包。设$R$和$B$是平面上两个不相交的红点和蓝点集,$\mathcal{O}$是通过原点的一组$k \geq 2$线。研究了当$R$的$\mathcal{O}$ -凸包不含$B$点时,计算$\mathcal{O}$的直线的方向集的问题.对于$k=2$正交线,我们有直线凸包。在最佳的$O(n \log n)$时间和$O(n)$空间,$n = \vert R \vert + \vert B \vert$,我们计算的旋转角的集合,使得在同时旋转后的线的$\mathcal{O}$周围的原点在相同的方向,$R$的直线凸包不包含点的$B$。我们把这个结果推广到$\mathcal{O}$是由具有任意取向的$k \geq 2$线构成的情况。在$\mathcal{O}$的线的逆时针循环顺序中,令$α_i$为顺时针旋转$i$第条线所需的角度,使得其与其后继线重合。我们在$O(1/Θ\cdot N \log N)$时间和$O(1/Θ\cdot N)$空间中解决了这种情况下的问题,其中$Θ= \min \{ α_1,\ldots,α_k \}$和$N=\max\{k,\vert R \vert + \vert B \vert \}$。我们最后考虑这样的情况,其中$\mathcal{O}$由$k=2$线…
2022-09-09 cs.CG
Area and Perimeter of the Convex Hull of Stochastic Points
给定平面上$n$点的集合$P$,研究了$P$的随机子集$S$的凸包的面积和周长的概率分布函数的计算.随机子集$S$通过以给定的有理概率$π_p$独立地绘制$P$的每个点$p$来形成。对于这两个措施的凸包,我们表明,它是P-难计算的概率,该措施至少是一个给定的绑定$w$。对于$\varepsilon\in(0,1)$,我们提供了一种算法,该算法在$O(n^{6}/\varepsilon)$时间内运行,并返回一个介于区域至少为$w$的概率和区域至少为$(1-\varepsilon)w$的概率之间的值。对于周长,我们显示了一个类似的算法运行在$O(n^{6}/\varepsilon)$时间。最后,给定$\varepsilon,δ\in(0,1)$和任何措施,我们展示了一个$O(n\log n+ (n/\varepsilon^2)\log(1/δ))$时间蒙特卡罗算法,返回一个值,成功的概率至少$1-δ$,不同的概率,最多$\varepsilon$的措施至少是$w$。
2015-09-09 cs.CG
Convex Hull of Points Lying on Lines in o(n log n) Time after Preprocessing
出于处理数据不精确的愿望,我们研究利用点集的初步信息的方法,以加快与它们相关的某些结构的计算。特别地,我们研究以下问题:给定一个在平面上的n条直线的集合L,我们希望对L进行预处理,使得在接收到一个n个点的集合P时,每个点都位于L的不同直线上,我们可以有效地构造P的凸包。我们表明,在二次时间和空间,它是可能的L上构造一个数据结构,使我们能够计算任何这样的点集P的凸包在O(n α(n)log* n)的预期时间。如果我们进一步假设这些点相对于数据结构是“不经意的”,则运行时间改进为O(n alpha(n))。分析适用于几乎逐字L是一组线段,并产生类似的渐近界。我们提出了几个扩展,包括空间和查询时间之间的权衡和输出敏感的算法。我们还研究了“对偶问题”,在那里我们展示了如何有效地计算平面中n条线的(<= k)-水平,每条线位于一个不同的点上(预先给定)。我们补充我们的结果由欧米茄(n log n)下界下的代数计算树模型的几个相关的问题,包括排序的一组点(根据,说,他们的x-顺序),其中每一个位于一个给定的线预先已知。因此,在我们的设置下的凸包问题比排序更容易,与“标准”的凸包和排序问题相反,这两个问题在最坏的情况下(在代数计算树模型下)需要Theta(n log n)步。
2012-12-22 cs.CG
Self-improving Algorithms for Coordinate-Wise Maxima and Convex Hulls
求平面点集的坐标极大值和凸壳可能是计算几何中最经典的问题。我们在自我完善的背景下考虑这些问题。这里,我们有平面点的$n$分布$\mathcal{D}_1, \ldots, \mathcal{D}_n$。通过从每个$\mathcal{D}_i$中提取独立样本$p_i$来生成输入点集$(p_1, \ldots, p_n)$,因此根据乘积$\mathcal{D} = \prod_i \mathcal{D}_i$来分配输入。一个自我改进的算法反复从分布$\mathcal{D}$(这是一个先验未知的)获得输入,并试图优化其运行时间$\mathcal{D}$。该算法使用前几个输入来学习分布$\mathcal{D}$的显著特征,然后再微调到$\mathcal{D}$。令$\text{OPTMAX}_\mathcal{D}$(分别$\text{OPTCH}_\mathcal{D}$)是计算最大值(相应地,凸包)。我们的最大值算法最终达到了预期的运行时间$O(\text{OPTMAX}_\mathcal{D} + n)$。在此基础上,给出了一个具有期望运行时间的凸包自改进算法$O(\text{OPTCH}_\mathcal{D} + n\log\log n)$。我们的研究结果需要新的工具来理解线性比较树。特别是,我们将一般的线性比较树转换为一个受限制的版本,然后可以与我们的算法的运行时间。另一个有趣…
2014-01-11 cs.CG cs.DS
A Polynomial-Time Algorithm for Computing the Exact Convex Hull in High-Dimensional Spaces
Research Center for Advanced Science and Technology, The University of Tokyo(东京大学先端科学技术研究中心)
本文提出一种通过迭代求解动态更新的二次规划问题来精确识别高维空间点集凸包极值点的算法,实现了与维度无关的多项式时间复杂度,显著优于现有指数时间算法。
2025-11-10 cs.CG
Fast Area-Weighted Peeling of Convex Hulls for Outlier Detection
University of California, Irvine(加州大学尔湾分校);The Department of Computer Science, Aarhus University(奥胡斯大学计算机系)
提出一种基于面积加权凸包剥离的2D离群点检测算法,通过反复移除使凸包面积减少最多的点,在O(nlogn)时间内找到k个离群点,显著快于现有精确算法,并可推广至周长等目标。
2025-09-25 cs.CG
Rectilinear Convex Hull of Points in 3D
设$P$是$\mathbb{R}^3$中一般位置的$n$点的集合,$RCH(P)$是$P$的直线凸包。本文给出了计算$RCH(P)$的最优$O(n\log n)$ -时间和$O(n)$ -空间算法.我们还得到了一个有效的$O(n\log^2 n)$ -时间和$O(n\log n)$ -空间算法来计算和维护$P$的直线凸包的顶点集,因为我们旋转$\mathbb R^3$周围的$z$ -轴。最后研究了$\mathbb{R}^3$中点集的直线凸包的一些性质。
2022-09-13 cs.CG math.CO
Randomized Triangle Algorithms for Convex Hull Membership
我们提出了随机版本的{ \it三角形算法}中引入的\cite{kal14}。三角形算法测试在$\mathbb{R}^m$中的$n$点的给定集合$S$的凸包中的区别点$p \in \mathbb{R} ^m$的成员资格。给定任何{ \it} $p' \in conv(S)$,它搜索一个{ \it枢轴},一个点$v \in S$,使得$d(p',v) \geq d(p,v)$。它将$p'$替换为线段$p'v$上最接近$p$的点,并重复此过程。如果数据透视表不存在,则$p'$证明$p \not \in conv(S)$。在这里,我们提出了两个随机变化的三角形算法,允许放松的步骤,以便采取更有效的步骤可能在随后的迭代。一个是受到{ \it混沌游戏}的启发,已知会导致谢尔宾斯基三角形。激励是随机迭代与Sierpinski三角形的性质一起将导致有效的枢轴。其预期的复杂性的界限与那些在\cite{kal14}中得到的确定性版本相一致。
2014-10-14 cs.CG
Computing Largest Subsets of Points Whose Convex Hulls have Bounded Area and Diameter
本文提出一种在给定点集中寻找凸包面积和直径均有界的最大子集的算法,时间复杂度为 O(n^6k),并通过合成数据与癌症检测数据验证其效果。
2025-07-07 cs.CG
Memory Optimization for Convex Hull Support Point Queries
Kinematic Labs
针对凸包支撑点查询计算效率问题,本文评估多种凸包内存布局改进方案,证实该优化可根据凸包顶点数实现显著加速,为碰撞算法性能提升提供支撑。
2025-09-03 cs.CG cs.GR cs.RO
Stratifying High Dimensional Data Based on Proximity to the Convex Hull Boundary
一组点的凸包$C$用于暴露$C$的极值性质,并且可以帮助识别高度关注的$C$中的元素。对于许多问题,特别是在存在噪声的情况下,真实的顶点集(和面)可能难以确定。一种解决方案是将高兴趣候选者的列表扩展到位于凸包的边界附近的点。我们提出了一个二次规划的目的分层点的数据云的基础上接近的边界的凸包。对于每个数据点,求解二次规划以确定相关联的权重向量。我们表明,权向量编码的几何信息有关的点的关系的边界的凸包。权重向量的计算可以并行进行,并且对于固定数量的点和固定的邻域大小,该算法的总体计算复杂性随维数线性增长。因此,有意义的计算可以在相当大的高维数据集上完成。
2016-11-04 cs.CG math.OC
How to Find the Convex Hull of All Integer Points in a Polyhedron?
提出了一种基于割的算法,用于求由线性不等式定义的多面体的所有整数点的凸包的所有顶点和所有面。我们的算法DDM割是基于Gomory割和动态版本的双重描述方法。我们描述了计算机实现的算法,并提出了计算实验的结果比较我们的算法与一个天真的。
2020-10-25 cs.CG math.CO math.OC
Dynamic Convex Hulls under Window-Sliding Updates
针对窗口滑动更新下的动态凸包维护问题,提出一种空间复杂度为 O(|S|)、更新摊销时间 O(1) 的数据结构,支持 O(log h) 查询和 O(h) 输出凸包。
2023-09-02 cs.CG cs.DS
Convex Hulls of Random Order Types
我们建立了以下两个主要结果的顺序类型的点在一般的位置在平面上(可实现的简单的平面顺序类型,可实现的均匀无环定向拟阵秩$3$):(a)在$n$ -点顺序类型的极值点的数量,均匀随机地从所有这样的顺序类型,是平均$4+o(1)$。对于带标签的订单类型,此数字的平均值为$4- \frac{8}{n^2 - n +2}$,方差最大为$3$。(b)(标记的)顺序类型读出一组$n$点采样独立于均匀测量凸平面域,光滑或多边形,或从高斯分布集中,即这样的采样通常只遇到一个消失的小部分给定大小的所有顺序类型。结果(a)推广到任意维数的$d$,对于具有平均极值点数$2d+o(1)$和常数方差的标记序类型。我们还讨论了在何种程度上我们的方法推广到统一的非循环定向拟阵的抽象设置。此外,我们的方法允许显示以下相对的Erdens-Szekeres定理:对于任何固定的$k$,作为$n \to \infty$,比例$1 - O(1/n)$的$n$ -点简单的顺序类型包含一个三角形包围一个凸$k$ -链的边缘。对于(a)中未标号的情形,我们证明了对于$2$维球面的任意对映有限子集,保向双射群是循环的、二面角的或$A_4$、$S_4$或$A_5$之一(并且每种情形都是可能的).这些都是有限子群的$SO(3)$和我们的证明如下的路线,他们的特点菲利克斯克莱因。
2022-06-08 cs.CG math.CO
On the convex hull of integer points above the hyperbola
研究了双曲线上方格点凸包的顶点数上下界,并提出了对数时间枚举顶点的算法,为整数确定性分解提供支持。
2025-01-31 cs.CG math.CO
A Novel Implementation of QuickHull Algorithm on the GPU
我们提出了一种新的GPU加速实现的QuickHull算法计算平面点集的凸包。我们还描述了一个实际的解决方案,以证明如何有效地实现一个典型的分治算法的GPU上。我们高度利用了库Thrust提供的并行原语,例如并行分段扫描,以提高效率和简单性。为了评估我们的实现的性能,我们进行了四组实验测试,使用两组点集在两种模式下的GPU K20c。实验结果表明:我们的实现可以实现高达10.98倍的加速比最先进的基于CPU的凸包实现Qhull [16]。此外,我们的实现可以在大约0.2秒内找到20 M个点的凸包。
2016-05-20 cs.CG cs.GR
Dynamic Convex Hulls for Simple Paths
本文研究平面动态凸包的两种受限场景,提出基于双端队列的最优方案,实现最坏情况常数时间更新与对数时间查询,并证明匹配下界,改进了此前的摊还对数时间更新结果。
2024-03-08 cs.CG cs.DS
An Evaluation of GPU Filters for Accelerating the 2D Convex Hull
凸包算法是计算几何中最重要的算法之一,在计算机图形学、机器人学、数据采掘等领域有着广泛的应用。尽管在这一领域的新算法的进步,它往往需要提高性能,以解决更重要的问题,快速或实时处理。这项工作提出了一个实验评估GPU过滤器,以减少计算的2D凸包的成本。该技术首先对输入集进行预处理,在对数时间内过滤八顶点多边形内的所有点,以获得候选点的精简集。我们使用并行计算和使用曼哈顿距离作为度量来找到多边形的顶点并执行点过滤。对于过滤阶段,我们研究了不同的方法;从自定义CUDA内核到Thrust和CUB等库。测试了三种类型的点分布:正态分布(有利情况),圆周(最差情况),以及点从圆周随机移位的情况(中间情况)。实验评估表明,GPU滤波算法可以比顺序CPU实现快23倍,整个凸包计算可以比CGAL库提供的最快实现快30倍。
2023-03-19 cs.CG cs.DC
On Maximizing the Distance to a Given Point over an Intersection of Balls II
本文研究球交集上的距离最大化NP完全问题,证明了文献[1]的猜想,为凸包面上的点提供多项式算法,且该结论可推广至凸包内部的部分邻近点。
2023-07-24 cs.CG math.OC
Computing the Approximate Convex Hull in High Dimensions
本文提出了一种时间复杂度为$\mathcal{O}(K^{3/2}N^2\log \frac{K}{ε_0})$的有效方法,用于寻找$n$维上$N$点的凸包逼近,其中$K$接近于该逼近的顶点数.由于该方法的时间复杂度与维数无关,因此对高维数据有很好的适应性。利用贪婪的方法,所提出的方法试图找到最好的近似凸包为给定数量的顶点。近似凸包可以作为精确凸包的有用替代物,用于在线过程和应用,在精确性和简约性之间具有有利的折衷。
2016-03-08 cs.CG math.MG
Simple and Robust Dynamic Two-Dimensional Convex Hull
本文提出一种简单且几何鲁棒的动态二维凸包数据结构,通过简化 Overmars 和 van Leeuwen 的经典结构,在保持 O(log²|P|) 更新时间的同时支持内部点查询和基于秩的数据更新。
2023-10-31 cs.CG cs.DS
Mathematical Programming Algorithms for Convex Hull Approximation with a Hyperplane Budget
研究计算几何中基于超平面预算的凸包近似问题,将其转化为优化问题并引入受支持向量机启发的数学规划模型,通过Dantzig-Wolfe分解和列生成算法求解,在合成数据集上表现优于现有方法且适用于高维实例。
2024-07-26 cs.CG cs.LG math.OC