NC16679 [NOIP2003]神经网络
题目
题目描述
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。
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。
输入描述
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(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。
输出描述
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。
示例1
输入
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
3 1 4 1 5 1
题解
知识点:拓扑排序。
显然在拓扑排序的过程中处理权值即可。
注意,权值小于等于 的点不参与计算;入度为 的起点不需要减去阈值直接进队,其他的点进队前减去阈值。
最后只输出出度为 且权值大于 的点的信息。
时间复杂度
空间复杂度
代码
#include <bits/stdc++.h> #define ll long long using namespace std; const int N = 507, M = 507 * 507; int n, p; struct edge { int v, nxt, w; }e[M]; int h[N], idx, C[N], U[N]; void add(int u, int v, int w) { e[++idx] = { v,h[u],w }; h[u] = idx; } int deg[N]; queue<int> q; void toposort() { for (int i = 1;i <= n;i++) if (!deg[i]) q.push(i); while (!q.empty()) { int u = q.front(); q.pop(); for (int i = h[u];i;i = e[i].nxt) { int v = e[i].v, w = e[i].w; C[v] += w * max(C[u], 0); deg[v]--; if (!deg[v]) q.push(v), C[v] -= U[v]; } } } int main() { std::ios::sync_with_stdio(0), cin.tie(0), cout.tie(0); cin >> n >> p; for (int i = 1;i <= n;i++) cin >> C[i] >> U[i]; for (int i = 1;i <= p;i++) { int u, v, w; cin >> u >> v >> w; add(u, v, w); deg[v]++; } toposort(); bool ok = 0; for (int i = 1;i <= n;i++) { if (!h[i] && C[i] > 0) cout << i << ' ' << C[i] << '\n', ok = 1; } if (!ok) cout << "NULL" << '\n'; return 0; }
本文来自博客园,作者:空白菌,转载请注明原文链接:https://www.cnblogs.com/BlankYang/p/17020241.html
【推荐】国内首个AI IDE,深度理解中文开发场景,立即下载体验Trae
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· 阿里最新开源QwQ-32B,效果媲美deepseek-r1满血版,部署成本又又又降低了!
· 开源Multi-agent AI智能体框架aevatar.ai,欢迎大家贡献代码
· Manus重磅发布:全球首款通用AI代理技术深度解析与实战指南
· 被坑几百块钱后,我竟然真的恢复了删除的微信聊天记录!
· 没有Manus邀请码?试试免邀请码的MGX或者开源的OpenManus吧