一、写出常用的决策树算法简单介绍？
常用的决策树算法包括ID3、C4.5、CART等。其中ID3采用信息增益作为属性选择的标准，C4.5则采用信息增益比，CART则采用基尼指数。这些算法的目的是构建一个分类或回归的决策树，用于预测未知数据的属性或输出值。它们在数据挖掘、机器学习等领域有着广泛的应用。
二、柜子尺寸简单算法？
有两根边框尺寸重叠，应以3000加上100计算，以此类推，高度不发生改变，预留安装和拆装间隙就够了。
门洞宽3米，做4扇门，竖框的宽度是50mm.那移门宽度就是(3000+100(两个重叠位))/4=775。同样是3米，只做3扇门，那移门宽度是(3000+100(两个重叠位))/3=1033.33。
公式为：长 + 重叠位(两页移门一个重叠位，三页移门两个重叠位，四页移门两个重叠位)=总长 总长 / 移门页数 =单页门宽度尺寸 单页门宽 * 乘门洞高=每页门尺寸。
三、柜门尺寸简单算法？
1、橱柜柜门的尺寸在计算的时候，将柜子的尺寸扣去4，再除以2，这个就是门板的一个尺寸，也是对开门的一个尺寸，通常情况下，吊柜的长度是在90厘米加90厘米，也就是1米8。
2、地柜的长度通常是在4米，家庭常用的橱柜造型，一般有一字形和二字形柜门的尺寸都差不多，尺寸再小不能够小于20厘米，宽不能够超过60厘米，宽地柜的高度在50厘米到70厘米，高台面的高度在55厘米到60厘米，台面的标准高度厚度在12.7 27毫米，后面有一个挡水板，它的一个标准高度要控制在5厘米。
四、topis算法简单概括？
一、TOPSIS算法概述
TOPSIS算法是根据有限个评价对象与理想化目标的接近程度进行排序的方法，是在现有的对象中进行相对优劣的评价。理想化目标有两个，一是肯定的理想目标或者称为最优目标，一个是否定的理性目标或者最劣目标，评价最好的对象应该是与最优目标的距离最近，而与最劣目标最远的目标。距离常用的就是欧氏距离。
TOPSIS法是一种理想目标相似性的顺序选优技术，在多目标决策分析中是一种非常有效的方法。通过归一化后的数据规范化矩阵，找出多个目标中最优目标和最劣目标，分别计算各评价目标与理想解和反理想解的距离，获得各目标与理想解的贴近度，按理想解贴近度的大小排序，以此作为评价目标优劣的依据。贴近度取值在0和1之间，该值越接近1，表示相应的评价目标越接近最优水平，反之，越接近0，表示评价目标越接近最劣水平。
二、TOPSIS算法的数学模型
遇到多目标最优化问题时，通常有m个评价目标D1，D2，...,Dm,每个目标有n个评价指标X1，X2，...Xn。首先要邀请专家对评价指标进行打分，然后将打分结果表示成数学矩阵形式，建立如下特征矩阵：
对特征矩阵进行规范化处理，得到规范化向量，建立关于规范化向量的规范化矩阵
通过计算权重规格化值，建立关于权重规范化值的权重规范化矩阵
根据权重规格化值来确定理想解和反理想解
计算距离尺度，即计算每个目标到理想解和反理想解的距离，距离尺度可以通过n维欧氏距离来计算。目标到理想解的距离为S*，到反理想解的距离为S-
计算理想解的贴近度
根据理想解的贴近度大小进行排序，排序结果贴近度值越大，说明目标越优。
五、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
六、Paillier算法介绍？
paillier算法是一种公钥加密算法，基于复合剩余类的困难问题。
满足加法同态，即密文相乘等于明相加：D(E(m1)·E(m2))=m1+m2。这里详细介绍其加密解密是如何推导的，需要具备数论、代数系统、模运算的相关知识，同时理解起来可能需要多阅读几遍并加以思考。 必须先产生可以用来加密的公钥n和g。n是两个大小相近的两个大素数的乘积：n=p·q。g是Zn2ℤn2中的半随机数，同时g的阶必须在Z∗n2ℤn2∗中并且能被n整除。
由于g必须符合一些特殊性质（我们将在解密部分提出）所以Z∗n2ℤn2∗中会有很少一部分元素不能用作g，意味着g是一个半随机数。
七、deepwalk算法介绍？
DeepWalk算法是一种基于随机游走的图嵌入方法，它将节点嵌入到低维向量空间中，使得节点之间的相似度在嵌入空间中保持不变。
该算法通过对图进行随机游走来捕捉节点的上下文信息，并使用Skip-gram模型来学习节点的嵌入表示。DeepWalk算法具有高效性和可扩展性，并被广泛应用于社交网络分析、推荐系统和自然语言处理等领域。
八、textrank算法介绍？
TextRank算法是一种基于图的用于关键词抽取和文档摘要的排序算法，由谷歌的网页重要性排序算法PageRank算法改进而来，它利用一篇文档内部的词语间的共现信息(语义)便可以抽取关键词，它能够从一个给定的文本中抽取出该文本的关键词、关键词组，并使用抽取式的自动文摘方法抽取出该文本的关键句。
TextRank算法的基本思想是将文档看作一个词的网络，该网络中的链接表示词与词之间的语义关系。
九、gmres算法介绍？
视图求解线性方程组A*x=b的解x。nXn的稀疏矩阵A必须是方程且应是大型稀疏矩阵。列向量b的长度必须为n。参数A可以是一个函数afun以使得afun(x)返回A*x，对于这一语法格式，gmres并不重新启动，迭代的最大次数为min(n,10)。
如果gmres收敛，则显示这一结果的信息。如果gmres在最大迭代步后没有收敛或者由于某种原因而停止，则打印警告信息，显示相对残差范数norm(b-A*x)/norm(b)并且显示该方法停止或者失效时的迭代步数。
Gmres(A,b,restart)
在每一次重新开始内部迭代时才重新开始方法。外部迭代的最大数目为min(n/restart,10),总迭代的最大步数为restart*min(n/restart,10).如果restart为n或者[]，则gmres并不重新开始，则总迭代的最大数目为min(n，10)
Gmres(A,b,restart,tol)
指定方法的误差。如果tol为[]，则函数gmres将使用默认值1e-6.
Gmres(A,b,restart,tol,maxit)
指定外部迭代的最大次数，也就是说，迭代的总次数不超过restart*matrix。如果参数maxit为[]，则矩阵gmres使用默认值min(n/restart,10);如果参数restart为n或者[],则总迭代的最大次数为maxit（而非restart*matxit）。
Gmres(A,b,restart,tol,maxit,M)和 Gmres(A,b,restart,tol,maxit,M1,M2)
使用预处理矩阵M或者M=M1*M2有效地求解方程组inv(M)*A*x=inv(M)*b.如果M为[],则函数gmres不适应预处理矩阵，M可以是一个函数，它返回M\x
Gmres(A,b,restart,tol,maxit,M1,M2,x0)
指定初始的猜测值。如果x0为[]，则函数gmres将使用默认值，一个全为零的向量。
Gmres(afun,b,restart,tol,maxit,m1fun,m2fun,x0,p1,p2,…)
将参数传递到函数afun(x,p1,p2,…),m1fun(x,p1,p2,…)和m2fun(x,p1,p2,…)中。
[x,flag]=gmres(A,b,…)
返回一个收敛标志符：
Flag=0
函数gmres在maxit外部迭代步数之内收敛到期望的误差
Flag=1
函数gmres迭代maxit次但没有收敛
Flag=2
预处理矩阵M为病态条件阵
Flag=3
函数gmres停滞（两个连续迭代步的结果相同）
当flag的值不为0时，返回的解x是在所有迭代过程中得到的具有最小范数残差的结果。如果指定输出flag，则不显示任何消息。
[x,flag,relres]=gmres(A,b,…)
返回相当残差范数norm(b-A*x)/norm(b),如果flag的值为0，则relres<=tol,
[x,flag,relres,iter]=gmres(A,b,…)
返回计算x时外部和内部迭代次数，其中0<=iter(1)<=maxit且0<=iter(2)<=restart.
[x,flag,relres,iter,resvec]=gmres(A,b,…)
返回每一个内部迭代时的残差范数向量，包含norm(b-A*x0).
十、机器人算法是什么？
机器人的算法大方向可以分为感知算法与控制算法，感知算法一般是环境感知、路径规划，而控制算法一般分为决策算法、运动控制算法。
环境感知算法获取环境各种数据，通常指以机器人的视觉所见的图像识别等，当然还有定位机器人的方位——slam，对于不同的机器人而言所处的环境各有千秋。其实我们常见的扫地机器人就是一种定位机器人（slam算法控制的），扫地机器人的行为决策和控制算法都是极其简单的，当遇到阻挡物时调整运动方位即可，扫地部件一致处于工作状态，当然这也是最原始最简单的。
