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
top sort最后top到的时候计算即可，最后判断输出，数据有点坑
#include<cstdio> #include<queue> using namespace std; queue<int>que; #define N 104 int n,p; int c[N],head[N],u[N],rd[N],cd[N]; int num; bool vis[N]; struct node{ int v;int next,w; }edge[N*N/2]; void add_edge(int x,int y,int w) { edge[++num].v=y;edge[num].w=w;edge[num].next=head[x];head[x]=num; } void top_sort() { while(!que.empty()) { int now=que.front(); que.pop(); for(int i=head[now];i;i=edge[i].next) { int v=edge[i].v;rd[v]--; if(!rd[v]) { que.push(v);vis[v]=1; } if(c[now]>0) c[v]+=edge[i].w*c[now]; } } } int main() { scanf("%d%d",&n,&p); for(int i=1;i<=n;i++) scanf("%d%d",&c[i],&u[i]); int f,g,h; for(int i=1;i<=p;i++) { scanf("%d%d%d",&f,&g,&h); add_edge(f,g,h);rd[g]++;cd[f]++; } for(int i=1;i<=n;i++) { if(!rd[i])que.push(i),vis[i]=1; else c[i]-=u[i]; } top_sort();bool flag=0; for(int i=1;i<=n;i++) { if(cd[i]==0&&c[i]>0) { flag=1;printf("%d %d ",i,c[i]); } } if(!flag)puts("NULL"); return 0; }