2017-03-04 【NOIP2003】神经网络 模拟

Description

问题背景：

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。

问题描述：

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， C i 表示神经元目前的状态， U i 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，神经网络中的神经元分为几层；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， C i 服从公式：（其中 n 是网络中所有神经元的数目）



公 式中的 W ji （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 C i 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 C i 。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（ C i ），要求你的程序运算出最后网络输出层的状态。

Input

输入第一行是两个整 数 n （ 1≤n≤200 ）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（ U i ），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 W ij ，表示连接神经元 i 、 j 的边权值为 W ij 。

Output

输出包含若干行，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。 仅输出最后状态非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 。

Sample Input

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

Sample Output

3 1

4 1

5 1

solution

用一个数组存哪些点是起始点，然后枚举每一个起始点，广搜，用起始点枚举到的点也加入起始点，注意u只需要减一次

code

#include<iostream>

#include<cstdio>

using namespace std;

int n,m;

int q[201],u[201],a[201][201],c[201];

bool inq[201],flag=0;

int f[201];

int t=1,w=0;

void bfs()

{

int x;

while(t<=w)

{

x=q[t];t++;

if(f[x]>0&&c[x])

{

for(int i=1;i<=n;i++)

{

if(a[x][i])//若有路

{

f[i]+=a[x][i]*f[x];//到的这个点的状态加值

if(!inq[i]){q[++w]=i;f[i]-=u[i];inq[i]=1;}//若到的这个点现在不是起始点，就将它存入存起始点状态的数组

//f只要减去一次u[i]

}

}

}

}

}

int main()

{

scanf("%d%d",&n,&m);

int x,y,z;

for(int i=1;i<=n;i++)

{

scanf("%d%d",&f[i],&u[i]);

if(f[i]!=0){q[++w]=i;inq[i]=1;}//存起始点

}

for(int i=1;i<=m;i++)

{

scanf("%d%d%d",&x,&y,&z);

c[x]++;a[x][y]=z;//出度，与路径长

}

bfs();

for(int i=1;i<=n;i++)

if(!c[i]&&f[i]>0){printf("%d %d\n",i,f[i]);flag=1;}

if(!flag)printf("NULL\n");//输出

return 0;

}