diff --git a/docs/chapter_appendix/contribution.md b/docs/chapter_appendix/contribution.md index e4e47e7ae..da78c645a 100644 --- a/docs/chapter_appendix/contribution.md +++ b/docs/chapter_appendix/contribution.md @@ -10,7 +10,7 @@ 然而在本开源书中，内容更迭的时间被缩短至数日甚至几个小时。 -## 内容微调 +### 内容微调 如下图所示，每个页面的右上角都有“编辑图标”。您可以按照以下步骤修改文本或代码。 @@ -22,7 +22,7 @@ 图片无法直接修改，需要通过新建 [Issue](https://github.com/krahets/hello-algo/issues) 或评论留言来描述问题，我们会尽快重新绘制并替换图片。 -## 内容创作 +### 内容创作 如果您有兴趣参与此开源项目，包括将代码翻译成其他编程语言、扩展文章内容等，那么需要实施以下 Pull Request 工作流程。 @@ -32,7 +32,7 @@ 4. 将本地所做更改 Commit ，然后 Push 至远程仓库。 5. 刷新仓库网页，点击“Create pull request”按钮即可发起拉取请求。 -## Docker 部署 +### Docker 部署 执行以下 Docker 脚本，稍等片刻，即可在网页 `http://localhost:8000` 访问本项目。 diff --git a/docs/chapter_appendix/installation.md b/docs/chapter_appendix/installation.md index f96ea0a53..414c3d9f2 100644 --- a/docs/chapter_appendix/installation.md +++ b/docs/chapter_appendix/installation.md @@ -1,55 +1,55 @@ # 编程环境安装 -## VSCode +### VSCode 本书推荐使用开源轻量的 VSCode 作为本地 IDE ，下载并安装 [VSCode](https://code.visualstudio.com/) 。 -## Java 环境 +### Java 环境 1. 下载并安装 [OpenJDK](https://jdk.java.net/18/)（版本需满足 > JDK 9）。 2. 在 VSCode 的插件市场中搜索 `java` ，安装 Extension Pack for Java 。 -## C/C++ 环境 +### C/C++ 环境 1. Windows 系统需要安装 [MinGW](https://sourceforge.net/projects/mingw-w64/files/)（[配置教程](https://blog.csdn.net/qq_33698226/article/details/129031241)），MacOS 自带 Clang 无须安装。 2. 在 VSCode 的插件市场中搜索 `c++` ，安装 C/C++ Extension Pack 。 3. （可选）打开 Settings 页面，搜索 `Clang_format_fallback Style` 代码格式化选项，设置为 `{ BasedOnStyle: Microsoft, BreakBeforeBraces: Attach }` 。 -## Python 环境 +### Python 环境 1. 下载并安装 [Miniconda3](https://docs.conda.io/en/latest/miniconda.html) 。 2. 在 VSCode 的插件市场中搜索 `python` ，安装 Python Extension Pack 。 3. （可选）在命令行输入 `pip install black` ，安装代码格式化工具。 -## Go 环境 +### Go 环境 1. 下载并安装 [go](https://go.dev/dl/) 。 2. 在 VSCode 的插件市场中搜索 `go` ，安装 Go 。 3. 快捷键 `Ctrl + Shift + P` 呼出命令栏，输入 go ，选择 `Go: Install/Update Tools` ，全部勾选并安装即可。 -## JavaScript 环境 +### JavaScript 环境 1. 下载并安装 [node.js](https://nodejs.org/en/) 。 2. 在 VSCode 的插件市场中搜索 `javascript` ，安装 JavaScript (ES6) code snippets 。 3. （可选）在 VSCode 的插件市场中搜索 `Prettier` ，安装代码格式化工具。 -## C# 环境 +### C# 环境 1. 下载并安装 [.Net 6.0](https://dotnet.microsoft.com/en-us/download) 。 2. 在 VSCode 的插件市场中搜索 `C# Dev Kit` ，安装 C# Dev Kit （[配置教程](https://code.visualstudio.com/docs/csharp/get-started)）。 3. 也可使用 Visual Studio（[安装教程](https://learn.microsoft.com/zh-cn/visualstudio/install/install-visual-studio?view=vs-2022)）。 -## Swift 环境 +### Swift 环境 1. 下载并安装 [Swift](https://www.swift.org/download/)。 2. 在 VSCode 的插件市场中搜索 `swift` ，安装 [Swift for Visual Studio Code](https://marketplace.visualstudio.com/items?itemName=sswg.swift-lang)。 -## Dart 环境 +### Dart 环境 1. 下载并安装 [Dart](https://dart.dev/get-dart) 。 2. 在 VSCode 的插件市场中搜索 `dart` ，安装 [Dart](https://marketplace.visualstudio.com/items?itemName=Dart-Code.dart-code) 。 -## Rust 环境 +### Rust 环境 1. 下载并安装 [Rust](https://www.rust-lang.org/tools/install)。 2. 在 VSCode 的插件市场中搜索 `rust` ，安装 [rust-analyzer](https://marketplace.visualstudio.com/items?itemName=rust-lang.rust-analyzer)。 diff --git a/docs/chapter_computational_complexity/time_complexity.md b/docs/chapter_computational_complexity/time_complexity.md index 816b2bf1b..3eb11031d 100755 --- a/docs/chapter_computational_complexity/time_complexity.md +++ b/docs/chapter_computational_complexity/time_complexity.md @@ -635,7 +635,7 @@ $T(n)$ 是一次函数，说明其运行时间的增长趋势是线性的，因 1. **忽略 $T(n)$ 中的常数项**。因为它们都与 $n$ 无关，所以对时间复杂度不产生影响。 2. **省略所有系数**。例如，循环 $2n$ 次、$5n + 1$ 次等，都可以简化记为 $n$ 次，因为 $n$ 前面的系数对时间复杂度没有影响。 -3. **循环嵌套时使用乘法**。总操作数量等于外层循环和内层循环操作数量之积，每一层循环依然可以分别套用第 `1.` 点和第 `2.` 点的技巧。、 +3. **循环嵌套时使用乘法**。总操作数量等于外层循环和内层循环操作数量之积，每一层循环依然可以分别套用第 `1.` 点和第 `2.` 点的技巧。 给定一个函数，我们可以用上述技巧来统计操作数量。 diff --git a/docs/chapter_greedy/greedy_algorithm.md b/docs/chapter_greedy/greedy_algorithm.md index 8ee8754c9..e9b1ce6a4 100644 --- a/docs/chapter_greedy/greedy_algorithm.md +++ b/docs/chapter_greedy/greedy_algorithm.md @@ -1,6 +1,6 @@ # 贪心算法 -贪心算法是一种常见的解决优化问题的算法，其基本思想是在问题的每个决策阶段，都选择当前看起来最优的选择，即贪心地做出局部最优的决策，以期望获得全局最优解。贪心算法简洁且高效，在许多实际问题中都有着广泛的应用。 +「贪心算法 greedy algorithm」是一种常见的解决优化问题的算法，其基本思想是在问题的每个决策阶段，都选择当前看起来最优的选择，即贪心地做出局部最优的决策，以期望获得全局最优解。贪心算法简洁且高效，在许多实际问题中都有着广泛的应用。 贪心算法和动态规划都常用于解决优化问题。它们之间存在一些相似之处，比如都依赖最优子结构性质，但工作原理是不同的。 diff --git a/docs/chapter_searching/binary_search.md b/docs/chapter_searching/binary_search.md index 0d482bcdc..3891e1e2d 100755 --- a/docs/chapter_searching/binary_search.md +++ b/docs/chapter_searching/binary_search.md @@ -115,9 +115,9 @@ [class]{}-[func]{binary_search} ``` -时间复杂度为 $O(\log n)$ 。每轮缩小一半区间，因此二分循环次数为 $\log_2 n$ 。 +**时间复杂度 $O(\log n)$** ：在二分循环中，区间每轮缩小一半，循环次数为 $\log_2 n$ 。 -空间复杂度为 $O(1)$ 。指针 $i$ 和 $j$ 使用常数大小空间。 +**空间复杂度 $O(1)$** ：指针 $i$ 和 $j$ 使用常数大小空间。 ## 区间表示方法 diff --git a/docs/chapter_tree/avl_tree.md b/docs/chapter_tree/avl_tree.md index 9ebecdf09..e4d6b99b4 100644 --- a/docs/chapter_tree/avl_tree.md +++ b/docs/chapter_tree/avl_tree.md @@ -18,7 +18,7 @@ AVL 树既是二叉搜索树也是平衡二叉树，同时满足这两类二叉 ### 节点高度 -在操作 AVL 树时，我们需要获取节点的高度，因此需要为 AVL 树的节点类添加 `height` 变量。 +由于 AVL 树的相关操作需要获取节点高度，因此我们需要为节点类添加 `height` 变量。 === "Java" diff --git a/docs/chapter_tree/binary_search_tree.md b/docs/chapter_tree/binary_search_tree.md index 8ffd94ae5..9f2d6c48a 100755 --- a/docs/chapter_tree/binary_search_tree.md +++ b/docs/chapter_tree/binary_search_tree.md @@ -202,11 +202,11 @@ 如下图所示，当待删除节点的度为 $0$ 时，表示该节点是叶节点，可以直接删除。 -![在二叉搜索树中删除节点（度为 0）](binary_search_tree.assets/bst_remove_case1.png) +![在二叉搜索树中删除节点（度为 0 ）](binary_search_tree.assets/bst_remove_case1.png) 如下图所示，当待删除节点的度为 $1$ 时，将待删除节点替换为其子节点即可。 -![在二叉搜索树中删除节点（度为 1）](binary_search_tree.assets/bst_remove_case2.png) +![在二叉搜索树中删除节点（度为 1 ）](binary_search_tree.assets/bst_remove_case2.png) 当待删除节点的度为 $2$ 时，我们无法直接删除它，而需要使用一个节点替换该节点。由于要保持二叉搜索树“左 $<$ 根 $<$ 右”的性质，**因此这个节点可以是右子树的最小节点或左子树的最大节点**。 @@ -216,7 +216,7 @@ 2. 将 `tmp` 的值覆盖待删除节点的值，并在树中递归删除节点 `tmp` 。 === "<1>" - ![二叉搜索树删除节点示例](binary_search_tree.assets/bst_remove_case3_step1.png) + ![在二叉搜索树中删除节点（度为 2 ）](binary_search_tree.assets/bst_remove_case3_step1.png) === "<2>" ![bst_remove_case3_step2](binary_search_tree.assets/bst_remove_case3_step2.png)