需求：
- 普通列表给元素甲、乙、丙、丁……评分，例如可以用一个满分100的分值评分，最终结果如：甲=82，乙=91，丙=60……
条件：
- 数字列表影响元素分值的因素有很多，比如条件a、b、c、d……
- 不同的条件，已经有一个已知的分值。比如甲元素的条件a=6,b=785，c=0.12……；乙元素的条件a=4,b=1583，c=0.07……
解决过程：
- 因为每种影响条件分值氛围不同，所以先给每个条件分数进行“调整”，然后给每个条件乘以所占比例（比例后期根据自己的需求可以调整）。
- 比如“调整”后甲的影响条件分值是a',b',c'。甲最终的分数就是a'x15% + b'x23% + c'x8% ……
问题
- 每个条件分值的范围差别很大，比如a可能是1-100，b的范围是0-几千万（没有上限），c的范围可能又是小数。从a变成a'的这个“调整”的过程怎么办?
ps.
- 有没有更好的设计方案
- 想学习相关算法设计知识应该看什么材料、书
使用神经网络的感知机算法输入一个参数向量P{因素1，因素2，因素3……} 和一个预测结果t(分数)使得a=WP W为一个权重矩阵，a为计算结果向量，通过已有的参数向量和预测向量集合{(P1,t1)(P2,t2)……}使用学习方法训练权重矩阵W，当e=t-a> 使得W_new = W_old+e*P，直到e=0为止
最终可获得一个权重矩阵W_n，可用来预测一个位置结果的参数向量a_n=W_nP_n