目前的问题是：
给定一组在D维空间中的N个点，它们的所有坐标>=0（在2D中，这些点都在第一象限中，在3D中，在第一个八分之一，依此类推…），移除所有在每个坐标中有值大于或等于另一个点的点。
在2d中，结果是：
（图片来自Vincent Zoonekynd的答案here）并且有一个简单的算法，在这个答案中详细说明，它运行在N*log(N)中。
对于分块，我应该把它带到N*log(H)，但是对它的优化是为了另一个问题。
我有兴趣将解决方案扩展到三维（如果仍然合理的话，可能还会扩展到4维），但我当前的三维算法速度很慢，很麻烦，不能很好地推广到4d：
在X轴上排序点，注释每个点的位置。
初始化一种具有N个叶子的段树，叶子将保存点的y值，节点将保存max(child1, child2)
Z轴上的排序点
对于最大Z的每个点：
检查它在x顺序中的位置，尝试将它放在该位置的段树中
首先检查是否有一个点已经向下（所以它有>z），在一个更高的位置（所以它有>x）和一个更大的y（这个成本日志（n），谢谢树）
如果找到该点，则丢弃当前点，否则插入该点并更新树
这仍然在N*log(N)中运行，但需要两种不同的类型和2*N大结构。
扩展它需要另一种类型和一个禁止的大四叉树。
有没有更有效（特别是CPU方面）的方法？
我认为这与此无关，但我是用c编写的，代码是here。
最佳答案
如果我是在n维做这件事，我会用最近的邻居k-d树。树是一种基于点到n维空间中某个位置的距离对点进行排序的快速方法。默认情况下，k-d树通过创建嵌套树，根据点到某个位置的欧氏距离对点进行排序。
有一种方法来改变距离度量，以正确地匹配你要去的。在你建立了树-你只需要点是“最远的”（根据你的度量）从原点。
欧氏距离度量：
SQRT（尺寸总和（坐标**2））
我建议采用公制（可能有误）：
维度上的和（坐标）
链接：
维基K-D树：
https://en.wikipedia.org/wiki/K-d_tree
关于k-d树度量的溢出帖子：
Can I use arbitrary metrics to search KD-Trees?
数学度量的定义：
https://en.wikipedia.org/wiki/Metric_(mathematics)
在总结中，我怀疑如果你花了足够的时间来解决这个问题，你可以建立一个健壮的n维解决方案来解决你的问题，它具有最坏的O（kn log n）复杂度。[其中k是维度数]”。我还怀疑很难做得更好，因为大维最近邻算法是一个众所周知的未解决问题。
关于algorithm -> 2D天际线查询/有效边界的算法，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/37580795/