题目背景
人工神经网络(Artificial Neural Network)是一种新兴的具有自我学习能力的计算系统,在模式识别、函数逼近及贷款风险评估等诸多领域有广泛的应用。对神经网络的研究一直是当今的热门方向,兰兰同学在自学了一本神经网络的入门书籍后,提出了一个简化模型,他希望你能帮助他用程序检验这个神经网络模型的实用性。
题目描述
在兰兰的模型中,神经网络就是一张有向图,图中的节点称为神经元,而且两个神经元之间至多有一条边相连,下图是一个神经元的例子:
神经元〔编号为1)
图中,X1―X3是信息输入渠道,Y1-Y2是信息输出渠道,C1表示神经元目前的状态,Ui是阈值,可视为神经元的一个内在参数。
神经元按一定的顺序排列,构成整个神经网络。在兰兰的模型之中,神经网络中的神经无分为几层;称为输入层、输出层,和若干个中间层。每层神经元只向下一层的神经元输出信息,只从上一层神经元接受信息。下图是一个简单的三层神经网络的例子。
兰兰规定,Ci服从公式:(其中n是网络中所有神经元的数目)
公式中的Wji(可能为负值)表示连接j号神经元和 i号神经元的边的权值。当 Ci大于0时,该神经元处于兴奋状态,否则就处于平静状态。当神经元处于兴奋状态时,下一秒它会向其他神经元传送信号,信号的强度为Ci。
如此.在输入层神经元被激发之后,整个网络系统就在信息传输的推动下进行运作。现在,给定一个神经网络,及当前输入层神经元的状态(Ci),要求你的程序运算出最后网络输出层的状态。
输入输出格式
输入格式:
输入文件第一行是两个整数n(1≤n≤100)和p。接下来n行,每行两个整数,第i+1行是神经元i最初状态和其阈值(Ui),非输入层的神经元开始时状态必然为0。再下面P行,每行由两个整数i,j及一个整数Wij,表示连接神经元i、j的边权值为Wij。
输出格式:
输出文件包含若干行,每行有两个整数,分别对应一个神经元的编号,及其最后的状态,两个整数间以空格分隔。仅输出最后状态大于零的输出层神经元状态,并且按照编号由小到大顺序输出!
若输出层的神经元最后状态均为 0,则输出 NULL。
输入输出样例
输入样例#1:
5 6
1 0
1 0
0 1
0 1
0 1
1 3 1
1 4 1
1 5 1
2 3 1
2 4 1
2 5 1
输出样例#1:
3 1
4 1
5 1
题解
拓扑排序
[link]http://www.cnblogs.com/dolphin0520/archive/2011/04/16/2017737.html),它的定义写的还不错,比较容易懂
这道题应是很典型的拓扑排序入门题,记录每个神经元的入度出度,以所有入度为零的点为起点跑图,并同时更改所有点的入度,最后判断所有出度为零神经元的兴奋状态,输出
代码
#include <iostream>
#include <cstdio>
#include <cstdlib>
#include <cstring>
#include <algorithm>
#include <cmath>
#define N 10000
using namespace std;
int n,P,f;
int a[N],b[N],w[N],p[N],nt[N],q[N];
int c[N],u[N],in[N],out[N];
void add(int x,int y,int v,int num)
{
a[num]=x;b[num]=y;w[num]=v;
nt[num]=p[x];p[x]=num;
out[x]++;in[y]++;
}
void spfa()
{
int head=0,tail=0;
for(int i=1;i<=n;i++) if(in[i]==0) q[++tail]=i;
while(head<tail)
{
int k=q[++head];
for(int e=p[k];e>0;e=nt[e])
{
int kk=b[e];
in[kk]--;
if(in[kk]==0) {q[++tail]=kk;c[kk]-=u[kk];}
if(c[k]>0) c[kk]+=c[k]*w[e];
}
}
for(int i=1;i<=n;i++)
if(out[i]==0&&c[i]>0) {printf("%d %d\n",i,c[i]),f=1;}
}
int main()
{
scanf("%d%d",&n,&P);
for(int i=1;i<=n;i++) scanf("%d%d",&c[i],&u[i]);
for(int i=1;i<=P;i++){int x,y,v;scanf("%d%d%d",&x,&y,&v);add(x,y,v,i);}
spfa();
if(f==0) printf("NULL");
return 0;
}