一、船舶vef算法？
对于一定的船舶，可以在船舱测得的货油数量和相应的岸上码头测得的货油数量之间确定一个大约恒定的比率，此比率称为船舶经验系数，即VEF（VESSEL EXPERIENCE FACTOR）。它分为装货船舶经验系数和卸货船舶经验系数。由于船方很难得到卸货时的岸上数量，因此通常船方只能提供装货船舶经验系数VEF。
二、船舶横倾1度船中左右吃水的算法？
船舶横倾1度时，船中左右两侧的吃水深度会有所不同。要计算左右两侧的吃水深度，可以使用以下算法：
首先，计算船的总吃水深度。
然后，根据船的横倾角度，计算船体一侧的吃水深度增加量，再将增加量平均分配到左右两侧，即可得到左右两侧的吃水深度。
例如，如果船的总吃水深度为5米，横倾1度时，左侧吃水深度增加0.1米，则左侧吃水深度为5.05米，右侧吃水深度为4.95米。
三、简单的方法分辨枚举算法，排序算法，递归算法，解析算法？
枚举就是一个一个数据试过去，看那个是对的排序就是把数据按从大到小或从小到大排序递归就是过程调用过程指用的数学表达式，并通过表达式的计算来实现问题求解
四、算法专利如何保护算法？
算法专利是一种保护算法的方法，它可以让发明者通过申请专利来防止他人未经许可使用或实施其算法。以下是几种常见的算法专利保护方式：
1.申请专利：发明者可以向国家知识产权局（NIPO）申请专利，通过在专利申请中描述算法的实现细节和运行过程来保护其算法。如果发明者的算法被批准，他们就拥有在一定期限内独占地使用和实施该算法的权利。
2.商业秘密：一些公司可能选择不申请专利，而是通过保持其商业秘密来保护其算法。这意味着它们不会公开其算法，但仍然可以对其进行内部使用和研究。
3.开源协议：一些公司可能选择在其开源协议中包含限制他人使用或修改其算法的条款。这通常会在开源协议的条款中明确说明，且遵守该协议的使用者必须遵循这些限制。
4.禁止反向工程：某些国家或地区可能有法律禁止对受版权保护的软件进行反向工程，从而使其作者能够维护其知识产权。但是这种禁止通常仅限于侵权行为，而不是对整个算法的知识产权的保护。
5.外国知识产权 Protection: 在某些情况下，一家公司可能在不同国家的知识产权系统中分别申请或注册多项专利来保护同一组算法。这些分别在不同国家的系统中获得的 patents可能会在不同的国家中获得不同程度的保护期限和范围。
需要注意的是，不同类型的 algorithm 和不同地区的 legal system 对上述方法的保护措施也有所不同,因此在寻求 algorithm patent protection 时,建议咨询专业 IP attorney 以了解您的具体情况以及适合您的方案。
五、优化算法和算法区别？
优化算法主要分为启发式算法和智能随机算法。
1.1 启发式算法
启发式方法指人在解决问题时所采取的一种根据经验规则进行发现的方法。或者说是一个基于直观或经验构造的算法，在可接受的花费（指计算时间和空间）下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度一般不能被预计。启发式算法依赖对问题性质的认识，属于局部优化算法。
启发式算法的特点是在解决问题时，利用过去的经验，选择已经行之有效的方法，而不是系统地、以确定的步骤去寻求答案。启发式优化方法种类繁多，包括经典的模拟退火方法、遗传算法、蚁群算法以及粒子群算法等群智能算法。
算法比较灵活、书写很随意，没有语言界限。
六、搜索算法中,A算法A*算法的区别（急）？
A算法一般指某个搜索算法的朴素的思路 A*指使用了启发式搜索之后的算法，也就是运算速度会快很多，但不一定能保证最后得到最优解
七、if算法？
If执行真假值判断，根据逻辑计算的真假值，返回不同结果。可以使用函数 IF 对数值和公式进行条件检测
八、aprori算法是什么算法？
Apriori 算法是一种最有影响力的挖掘布尔关联规则的频繁项集的 算法，它是由Rakesh Agrawal 和RamakrishnanSkrikant 提出的。它使用一种称作逐层搜索的迭代方法，k- 项集用于探索（k+1）- 项集。首先，找出频繁 1- 项集的集合。该集合记作L1。L1 用于找频繁2- 项集的集合 L2，而L2 用于找L2，如此下去，直到不能找到 k- 项集。每找一个 Lk 需要一次数据库扫描。为提高频繁项集逐层产生的效率，一种称作Apriori 性质的重 要性质 用于压缩搜索空间。其运行定理在于一是频繁项集的所有非空子集都必须也是频繁的，二是非频繁项集的所有父集都是非频繁的。
九、sp算法与romp算法比较？
优点：将需要低延迟的关键业务放入高优先级队列，将非关键业务放入低优先级队列，从而确保关键业务被优先发送。 缺点：报文拥塞发生时，如果较高优先级队列中长时间有分组存在，那么低优先级队列中的报文将无法得到调度。
十、ppo算法与ddpg算法区别？
PPO是目前非常流行的增强学习算法。
DDPG也是解决连续控制型问题的的一个算法，不过和PPO不一样，PPO输出的是一个策略，也就是一个概率分布，而DDPG输出的直接是一个动作。
DDPG是一种入门算法，效果远不及PPO。