当前位置：首页 > news >正文

NOIP2003提高组T1：神经网络

news 文章来源：https://blog.csdn.net/qiaoxinwei/article/details/135740860 2025/5/1 4:01:55

题目链接

[NOIP2003 提高组] 神经网络

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 $i$ ）

图中， $X_1 \sim X_3$ 是信息输入渠道， $Y_1 \sim Y_2$ 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）

$C_i=\left(\sum\limits_{(j,i) \in E} W_{ji}C_{j}\right)-U_{i}$

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。

输入格式

输入文件第一行是两个整数 $n$ （ $\le n \le 100$ ）和 $p$ 。接下来 $n$ 行，每行 $2$ 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，每行有两个整数 $i, j$ 及一个整数 $W_{ij}$ ，表示连接神经元 $i, j$ 的边权值为 $W_{ij}$ 。

输出格式

输出文件包含若干行，每行有 $2$ 个整数，分别对应一个神经元的编号，及其最后的状态， $2$ 个整数间以空格分隔。仅输出最后状态大于 $0$ 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小于等于 $0$ ，则输出 NULL。

样例 #1

样例输入 #1

样例输出 #1

3 1
4 1
5 1

算法思想

根据题目描述，神经网络中的神经元分输入层、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。

要计算的神经元状态 $C_i=\left(\sum\limits_{(j,i) \in E} W_{ji}C_{j}\right)-U_{i}$ :

$W_{ji}$ 表示连接 $j$ 号神经元和 $i$ 号神经元的边的权值
$C_j$ 表示与 $i$ 相连接的神经元状态。

要计算 $C_i$ ，需要先计算所有 $i$ 相连接的（ $j\to i$ ）神经元状态 $C_j$ 。也就是说，在神经元传递信息时需要按照拓扑序来计算。

因此，在求解状态之前需要先将神经元节点进行拓扑排序，得到拓扑序列，这一步可通过 $\text{bfs}$ 实现。之后就可以通过动态规划的思想求神经元的状态了。

状态表示

$f [i]$ 表示编号为 $i$ 的神经元的状态

初始状态

根据题目描述，神经元的初始状态：

输入层神经元的状态（ $C_i$ ）
非输入层的神经元开始时状态必然为 $0$

由于在计算状态 $f (i)$ 时需要减掉阈值 $U_i$ ，不妨将所有非输入层的初始状态 $U_i$ 。

最终答案

最终仅输出最后状态大于 $0$ 的输出层神经元状态；若输出层的神经元最后状态均小于等于 $0$ ，则输出 NULL。

状态计算

根据题目表述，当 $C_i$ 大于 $0$ 时，该神经元处于兴奋状态，下一秒它会向其他神经元传送信号，信号的强度为 $C_i$ 。因此：

当 $f (j) > 0$ 时， $f[i]=\sum w_{ji}\times f(j)$

时间复杂度

$\text{bfs}$ 拓扑排序的时间复杂度 $O (n + m)$
动态规划的状态数为 $n$ ，状态计算要遍历所有的邻边，时间复杂度为 $O (n + m)$

代码实现

#include <iostream>
#include <vector>
using namespace std;
const int N = 110;
struct Edge
{int v, w;
};
vector<Edge> g[N]; //邻接表
int n, m;
int f[N], u[N];
int din[N], dout[N]; //入度和出度
int q[N]; //拓扑序列
void topsort()
{int hh = 0, tt = -1;for(int i = 1; i <= n; i ++)if(din[i] == 0) q[++ tt] = i; //将所有入度为0的点加入拓扑序列while(hh <= tt){int u = q[hh ++];for(auto e: g[u]){int v = e.v;if(-- din[v] == 0) q[++ tt] = v; //入度减1，如果入度为0，将入拓扑序列}}
}
int main()
{scanf("%d%d", &n, &m);for(int i = 1; i <= n; i ++){scanf("%d%d", &f[i], &u[i]);if(f[i] == 0) //非输入层，提前减u[i]f[i] -= u[i]; }while(m --){int u, v, w;scanf("%d%d%d", &u, &v, &w);g[u].push_back({v, w}); //有向边din[v] ++, dout[u] ++;}topsort(); //拓扑排序//状态计算，枚举拓扑序列for(int k = 0; k < n; k ++){int j = q[k];if(f[j] > 0) //当状态大于0，神经元处于兴奋状态{for(auto e : g[j]) //枚举相邻点{int i = e.v, w = e.w;f[i] += w * f[j];}}}int cnt = 0;for(int i = 1; i <= n; i ++){if(dout[i] == 0 && f[i] > 0) //输出层，并且神经元处于兴奋状态{printf("%d %d\n", i, f[i]);cnt ++;}}if(cnt == 0) puts("NULL");return 0;
}