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。
输入输出格式
输入格式：
输入文件第一行是两个整数n（1≤n≤100）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。
输出格式：
输出文件包含若干行，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。仅输出最后状态大于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。
输入输出样例
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
3 1
4 1
5 1
1 #include<iostream> 2 #include<cstdio> 3 #include<vector> 4 #include<queue> 5 using namespace std; 6 const int N=105; 7 queue<int>q; 8 vector<int>v[N]; 9 int n,p,c[N],yu[N],w[N][N],ru[N],chu[N]; 10 bool flg,vis[N]; 11 int main() 12 { 13 scanf("%d%d",&n,&p); 14 for(int i=1;i<=n;i++) 15 scanf("%d%d",&c[i],&yu[i]); 16 for(int i=1;i<=p;i++){ 17 int x,y,z; 18 scanf("%d%d%d",&x,&y,&z); 19 v[x].push_back(y);// 邻接表 20 w[x][y]=z;ru[y]++,chu[x]++; 21 } 22 for(int i=1;i<=n;i++) 23 if(ru[i]==0){ 24 q.push(i);vis[i]=1; 25 } 26 while(!q.empty()){ 27 int u=q.front();q.pop(); 28 if(c[u]>0){ 29 for(int i=0;i<v[u].size();i++){ 30 c[v[u][i]]+=c[u]*w[u][v[u][i]]; 31 ru[v[u][i]]--; 32 } 33 for(int i=1;i<=n;i++) 34 if(ru[i]==0&&!vis[i]){ 35 c[i]-=yu[i];// 上边写了相乘 减法在这里 36 // ---> 题目公式 37 q.push(i);vis[i]=1; 38 } 39 } 40 } 41 for(int i=1;i<=n;i++) 42 if(chu[i]==0&&c[i]>0){ 43 printf("%d %d\n",i,c[i]); 44 flg=1; 45 } 46 if(!flg) printf("NULL\n"); 47 return 0; 48 }