洛谷 P1038 神經網路

洛谷 p1038 神經網路

人工神經網路（ artificial neural network ）是一種新興的具有自我學習能力的計算系統，在模式識別、函式逼近及貸款風險評估等諸多領域有廣泛的應用。對神經網路的研究一直是當今的熱門方向，蘭蘭同學在自學了一本神經網路的入門書籍後，提出了乙個簡化模型，他希望你能幫助他用程式檢驗這個神經網路模型的實用性。

在蘭蘭的模型中，神經網路就是一張有向圖，圖中的節點稱為神經元，而且兩個神經元之間至多有一條邊相連，下圖是乙個神經元的例子：

神經元〔編號為 1 ）

圖中，x1−x3是資訊輸入渠道， y1−y2是資訊輸出渠道， c1表示神經元目前的狀態， ui是閾值，可視為神經元的乙個內在引數。

神經元按一定的順序排列，構成整個神經網路。在蘭蘭的模型之中，神經網路中的神經元分為幾層；稱為輸入層、輸出層，和若干個中間層。每層神經元只向下一層的神經元輸出資訊，只從上一層神經元接受資訊。下圖是乙個簡單的三層神經網路的例子。

蘭蘭規定， ci服從公式：（其中 n 是網路中所有神經元的數目）

公式中的 wji（可能為負值）表示連線 j號神經元和 i 號神經元的邊的權值。當 ci大於 0時，該神經元處於興奮狀態，否則就處於平靜狀態。當神經元處於興奮狀態時，下一秒它會向其他神經元傳送訊號，訊號的強度為 ci。

如此．在輸入層神經元被激發之後，整個網路系統就在資訊傳輸的推動下進行運作。現在，給定乙個神經網路，及當前輸入層神經元的狀態（ ci），要求你的程式運算出最後網路輸出層的狀態。

輸入格式：

輸入檔案第一行是兩個整數 n(1≤n≤100) 和 p 。接下來 n 行，每行 2 個整數，第 i+1 行是神經元 i 最初狀態和其閾值（ ui），非輸入層的神經元開始時狀態必然為 0 。再下面 p 行，每行由 2 個整數 i,j 及 1 個整數 wij，表示連線神經元 i,j 的邊權值為 wij。

輸出格式：

輸出檔案包含若干行，每行有 2 個整數，分別對應乙個神經元的編號，及其最後的狀態， 2個整數間以空格分隔。僅輸出最後狀態大於 0 的輸出層神經元狀態，並且按照編號由小到大順序輸出。

若輸出層的神經元最後狀態均為 0 ，則輸出「null」。

輸入樣例#1：複製

5 6

1 01 0

0 10 1

0 11 3 1

1 4 1

1 5 1

2 3 1

2 4 1

2 5 1

輸出樣例#1：複製

3 1

4 15 1

思路：拓撲排序

#include#include
#define maxn 205
using
namespace
std;
intn;
intc[maxn], r[maxn], ans[maxn];
inta[maxn][maxn], w[maxn][maxn];
bool
used[maxn];
void
work() 
for(k = 1; k <= a[j][0]; k++) 
break
; }
if(ans[0] == 0) printf("
null\n");
else
}int
main() 
for(i = 1; i <= k; i++) 
work();
return0;
}

view code

洛谷 P1038 神經網路

洛谷P1038 神經網路

洛谷 P1038 神經網路

洛谷 P1038 神經網路

相關推薦