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)
ci=∑(j,
i)∈e
wji
cj−ui
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:
5 6輸出樣例#1:1 01 0
0 10 1
0 11 3 1
1 4 1
1 5 1
2 3 1
2 4 1
2 5 1
3 1鑑於4 15 1
ci
=∑(j,
i)∈e
wji
cj−ui
在計算ci
之前我們必須計算cj
這便是乙個拓撲序。接下來上拓撲排序就行了
#includeusingview codenamespace
std;
const
int maxn=1000,maxm=100000
;int
head[maxn];
int c[maxn],u[maxn],in[maxn],out
[maxn];
bool
inq[maxn];
bool
tag;
intn,p;
struct
edge
e[maxm];
int size=1
;inline
intread()
while(ch>='
0'&&ch<='9')
return x*f;
}void addedge(int u,int v,int
w)void
topo()
else
if(!inq[u])
q.push(u),inq[u]=1
; }
}}int
main()
for(int i=1;i<=n;i++)
if(in[i])c[i]=-u[i];
topo();
for(int i=1;i<=n;i++)
if(!out[i]&&c[i]>0)
if(!tag)printf("
null\n");
return0;
}
P1038 神經網路
n 一張神經網路可以看做乙個dag dagda g,它由三種層組成 輸入層,傳輸層,輸出層 輸入層 初始c i 0c i 0 ci 0的層 輸出層 沒有出邊的層 傳輸層 輸入層和輸出層相對於整張圖的補層 規定傳輸時要減去閾值u iu i ui 求輸出層經過傳輸後仍然滿足c i 0c i 0 ci 0...
P1038 神經網路
直接用拓撲排序,套用題目給的公式就行了。include include include include include include include include include include include include include using namespace std define...
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...