我会这样做：
1.四面体化点云
因此，创建由四面体组成网格，其中四面体不与任何其他四面体相交，也不包含任何点。我是这样做的：
1.结构
你需要点、三角形和四面体的列表。每个三角形需要一个计数器，它会告诉你它是被使用一次还是两次。
1.创建第一个四面体
通过所有点的4个嵌套循环，并检查形成的四面体内部是否不包含任何点。如果没有，就停止，因为你找到了你的第一个四面体。这是O(n^5)，但由于有很多有效的四面体，它永远不会达到如此高的运行时间...现在只需将这个四面体添加到三角形和四面体列表中。
1.查找下一个四面体
现在遍历所有使用过一次的三角形。对于每个形式的四面体，通过使用它使用的那3个点，并找到第4个点与在**#2**中相同的方式。有效的四面体不能包含任何点，也不能与列表中的任何现有四面体相交。
为了确保整个体积将填充没有洞，你需要优先考虑的过程中已经有更多三角形的四面体。因此，首先搜索4个三角形，如果没有发现比3等…
对于每个找到的有效四面体，将其添加到列表中并再次查看，直到没有有效的四面体可以形成…整个过程大约是O(n^2)，所以要小心点云中的点太多。存储三角形的法线也可以大大加快测试速度…
1.外部边界
外部边界由列表中仅使用过一次的三角形组成
1.内部边界
内部间隙四面体应该大于所有其它的。所以检查他们的大小对平均大小，如果更大，他们最有可能是一个差距。把它们组合在一起，列在列表上。每个间隙只有大的四面体，并且所有四面体必须共享至少一个面（三角形）。现在只需计算每组三角形的使用情况，所有三角形使用一次就可以形成间隙/洞/内部边界/网格。
如果您的点密度是均匀的，则可以调整以下内容：

• 在2D点集中寻找漏洞？

并创建点密度的体素图。。没有密度的体素是间隙或外部空间。这可以用于更快和更好地选择内部四面体。

如果我很好地理解了你的问题，你想在另一个体积中有最大的体积，两个体积之间没有共同点。
外部体积从点集合的子集构建。显而易见的解决方案是用其余的点构建内部体积。
一组点的体积可以用几种方法来制作。如果体积不是凸的，那么你需要更多的信息（例如面之间的最小Angular ），因为您会得到带星号的多面体或类凸形或其他形状。
对于凸体，我推荐使用四面体的三维Delaunay构造。边界由不与其他“tet”共享的“tet”的面限定。
从全部点集中删除属于边界的点：边界中的每个泰特都有一个不在边界上的第四个点。
内部体积是另一个Delaunay构造。也许你只需要从前面的边界tets的第四点。

我最后做的事情是这样的：

import numpy as np
from scipy.spatial import ConvexHull
import matplotlib.pyplot as plt

def plot_random_points_on_circles(N: int, R: list, center: list):
    """
    Generates two sets of N random points on two circles with radii R and centers at center.
    Scales the points and calculates the convex hull of the scaled points.
    Plots the convex hull and the original points.

    :param N: Number of points to generate on each circle
    :type N: int
    :param R: List of radii for the two circles
    :type R: list
    :param center: List of x and y coordinates for the center of the circles
    :type center: list
    """
    x = np.zeros((len(R), N))
    y = np.zeros((len(R), N))
    theta = np.linspace(0, 2 * np.pi, N + 1)
    theta = theta[:-1]

    for i in range(len(R)):
        x[i,:] = R[i] * (np.random.randn() + 1) * np.cos(theta + np.random.rand()) + center[0]
        y[i,:] = R[i] * (np.random.randn() + 1) * np.sin(theta + np.random.rand()) + center[1]

    x = np.concatenate((x[0,:], x[1,:]))
    y = np.concatenate((y[0,:], y[1,:]))
    rSquared = x**2 + y**2
    q = rSquared / max(rSquared)**2
    xx = x / q
    yy = y / q

    k = ConvexHull(np.column_stack((xx, yy)))
    plt.plot(x[k.vertices], y[k.vertices], 'r-', x, y, 'b*')
    plt.show()

N = 20
R = [2, 6]
center = [0, 0]

plot_random_points_on_circles(N, R, center)