Fix the content

codes/cpp/chapter_greedy/coin_change_greedy.cpp

@@ -14,7 +14,7 @@ int coinChangeGreedy(vector<int> &coins, int amt) {
     // 循环进行贪心选择，直到无剩余金额
     while (amt > 0) {
         // 找到小于且最接近剩余金额的硬币
-        while (coins[i] > amt) {
+        while (i > 0 && coins[i] > amt) {
             i--;
         }
         // 选择 coins[i]

codes/csharp/chapter_greedy/coin_change_greedy.cs

@@ -15,7 +15,7 @@ public class coin_change_greedy {
         // 循环进行贪心选择，直到无剩余金额
         while (amt > 0) {
             // 找到小于且最接近剩余金额的硬币
-            while (coins[i] > amt) {
+            while (i > 0 && coins[i] > amt) {
                 i--;
             }
             // 选择 coins[i]

codes/go/chapter_greedy/coin_change_greedy.go

@@ -12,7 +12,7 @@ func coinChangeGreedy(coins []int, amt int) int {
 	// 循环进行贪心选择，直到无剩余金额
 	for amt > 0 {
 		// 找到小于且最接近剩余金额的硬币
-		for coins[i] > amt {
+		for i > 0 && coins[i] > amt {
 			i--
 		}
 		// 选择 coins[i]

codes/java/chapter_greedy/coin_change_greedy.java

@@ -17,7 +17,7 @@ public class coin_change_greedy {
         // 循环进行贪心选择，直到无剩余金额
         while (amt > 0) {
             // 找到小于且最接近剩余金额的硬币
-            while (coins[i] > amt) {
+            while (i > 0 && coins[i] > amt) {
                 i--;
             }
             // 选择 coins[i]

codes/java/chapter_heap/top_k.java

@@ -15,14 +15,14 @@ public class top_k {
         Queue<Integer> heap = new PriorityQueue<Integer>();
         // 将数组的前 k 个元素入堆
         for (int i = 0; i < k; i++) {
-            heap.add(nums[i]);
+            heap.offer(nums[i]);
         }
         // 从第 k+1 个元素开始，保持堆的长度为 k
         for (int i = k; i < nums.length; i++) {
             // 若当前元素大于堆顶元素，则将堆顶元素出堆、当前元素入堆
             if (nums[i] > heap.peek()) {
                 heap.poll();
-                heap.add(nums[i]);
+                heap.offer(nums[i]);
             }
         }
         return heap;

codes/python/chapter_greedy/coin_change_greedy.py

@@ -13,7 +13,7 @@ def coin_change_greedy(coins: list[int], amt: int) -> int:
     # 循环进行贪心选择，直到无剩余金额
     while amt > 0:
         # 找到小于且最接近剩余金额的硬币
-        while coins[i] > amt:
+        while i > 0 and coins[i] > amt:
             i -= 1
         # 选择 coins[i]
         amt -= coins[i]

codes/rust/chapter_greedy/coin_change_greedy.rs

@@ -12,7 +12,7 @@ fn coin_change_greedy(coins: &[i32], mut amt: i32) -> i32 {
     // 循环进行贪心选择，直到无剩余金额
     while amt > 0 {
         // 找到小于且最接近剩余金额的硬币
-        while coins[i] > amt {
+        while i > 0 && coins[i] > amt {
             i -= 1;
         }
         // 选择 coins[i]

docs/chapter_computational_complexity/performance_evaluation.md

@@ -1,7 +1,5 @@
 # 算法效率评估
 
-## 算法评价维度
-
 在算法设计中，我们先后追求以下两个层面的目标：
 
 1. **找到问题解法**：算法需要在规定的输入范围内，可靠地求得问题的正确解。
@@ -14,9 +12,9 @@
 
 简而言之，**我们的目标是设计“既快又省”的数据结构与算法**。而有效地评估算法效率至关重要，因为只有了解评价标准，我们才能对比分析各种算法，从而指导算法设计与优化过程。
 
-## 效率评估方法
+效率评估方法主要分为两种：实际测试和理论估算。
 
-### 实际测试
+## 实际测试
 
 假设我们现在有算法 `A` 和算法 `B` ，它们都能解决同一问题，现在需要对比这两个算法的效率。最直接的方法是找一台计算机，运行这两个算法，并监控记录它们的运行时间和内存占用情况。这种评估方式能够反映真实情况，但也存在较大局限性。
 
@@ -24,7 +22,7 @@
 
 **展开完整测试非常耗费资源**。随着输入数据量的变化，算法会表现出不同的效率。例如，在输入数据量较小时，算法 `A` 的运行时间比算法 `B` 更少；而输入数据量较大时，测试结果可能恰恰相反。因此，为了得到有说服力的结论，我们需要测试各种规模的输入数据，而这样需要耗费大量的计算资源。
 
-### 理论估算
+## 理论估算
 
 由于实际测试具有较大的局限性，我们可以考虑仅通过一些计算来评估算法的效率。这种估算方法被称为「渐近复杂度分析 Asymptotic Complexity Analysis」，简称为「复杂度分析」。
 

docs/chapter_divide_and_conquer/summary.md

@@ -3,7 +3,7 @@
 - 分治算法是一种常见的算法设计策略，包括分（划分）和治（合并）两个阶段，通常基于递归实现。
 - 判断是否是分治算法问题的依据包括：问题能否被分解、子问题是否独立、子问题是否可以被合并。
 - 归并排序是分治策略的典型应用，其递归地将数组划分为等长的两个子数组，直到只剩一个元素时开始逐层合并，从而完成排序。
-- 引入分治策略往往可以带来算法效率的提升。一方面，分治策略减少了计算吧操作数量；另一方面，分治后有利于系统的并行优化。
+- 引入分治策略往往可以带来算法效率的提升。一方面，分治策略减少了计算操作数量；另一方面，分治后有利于系统的并行优化。
 - 分治既可以解决许多算法问题，也广泛应用于数据结构与算法设计中，处处可见其身影。
 - 相较于暴力搜索，自适应搜索效率更高。时间复杂度为 $O(\log n)$ 的搜索算法通常都是基于分治策略实现的。
 - 二分查找是分治思想的另一个典型应用，它不包含将子问题的解进行合并的步骤。我们可以通过递归分治实现二分查找。

docs/chapter_tree/binary_search_tree.md

@@ -9,6 +9,8 @@
 
 ## 二叉搜索树的操作
 
+我们将二叉搜索树封装为一个类 `ArrayBinaryTree` ，并声明一个成员变量 `root` ，指向树的根节点。
+
 ### 查找节点
 
 给定目标节点值 `num` ，可以根据二叉搜索树的性质来查找。我们声明一个节点 `cur` ，从二叉树的根节点 `root` 出发，循环比较节点值 `cur.val` 和 `num` 之间的大小关系