diff --git a/docs/dsal/24.md b/docs/dsal/24.md index bc88db492aff06cb18a3412f7a0bc651ddc5246c..c5df7ed28ee2bfa039ff132882635f7306151eb0 100644 --- a/docs/dsal/24.md +++ b/docs/dsal/24.md @@ -4,7 +4,7 @@ #### 在本教程中，您将学习树数据结构。 此外，您还将了解不同类型的树以及树中使用的术语。 -树是一种非线性的分层数据结构，由边缘连接的节点组成。 +树是一种非线性的分层数据结构，由边连接的节点组成。 ![tree in data structure](img/624888bed1cba06add8d3060d14d829d.png "tree") @@ -32,7 +32,7 @@ A Tree 具有至少一个子节点的节点被称为**内部节点**。 -### 边缘 +### 边 它是任何两个节点之间的链接。 diff --git a/docs/dsal/25.md b/docs/dsal/25.md index 0a0e3bc0aa2a783b6f3c1ce9d6e2a4710e244796..e34f39fe029f46a0e658de79d5de871a462e73d5 100644 --- a/docs/dsal/25.md +++ b/docs/dsal/25.md @@ -40,7 +40,7 @@ struct node { } ``` -由`左侧`和`右侧`指向的结构节点可能还有其他左右孩子，因此我们应该将它们视为子树而不是子节点。 +由`左侧`和`右侧`指向的结构节点可能还有其他左右子级，因此我们应该将它们视为子树而不是子节点。 根据这种结构，每棵树都是 diff --git a/docs/dsal/29.md b/docs/dsal/29.md index 7257f255ba7f9e21d3e6422b147e350cd7b377c3..3f757e0a05340b09cf4a35fe275419c54fb87efb 100644 --- a/docs/dsal/29.md +++ b/docs/dsal/29.md @@ -61,7 +61,7 @@ Comparison between full binary tree and complete binary tree ![Complete binary tree creation](img/102b22745befe498a273190379c7b4ce.png "Put the second element as a left child of the root node and the third element as the right child") - 12 个是左侧孩子，9 个是右侧孩子 + 12 个是左侧子级，9 个是右侧子级 @@ -70,7 +70,7 @@ Comparison between full binary tree and complete binary tree ![Complete binary tree creation](img/846541cb9b5dcce8a8f11e736bb6c9f3.png "Keep repeating until the last element is reached") - 5 个是左侧孩子，6 个是右侧孩子 + 5 个是左侧子级，6 个是右侧子级 diff --git a/docs/dsal/31.md b/docs/dsal/31.md index f66ac54ab7aeee74efb95da6d6e521100cd9b6ab..c00ed39eadc38994863f386d2c8ae0c0ae236721 100644 --- a/docs/dsal/31.md +++ b/docs/dsal/31.md @@ -189,7 +189,7 @@ Final tree ### 情况三 -在第三种情况下，要删除的节点有两个孩子。 在这种情况下，请执行以下步骤： +在第三种情况下，要删除的节点有两个子级。 在这种情况下，请执行以下步骤： 1. 获取该节点的有序后继。 2. 将节点替换为有序后继节点。 diff --git a/docs/dsal/32.md b/docs/dsal/32.md index d8b2f1bb3389b1f37167e64b66e74c9cbd64e337..17a563b4030daf1f3365f4f19c60a07498c3887a 100644 --- a/docs/dsal/32.md +++ b/docs/dsal/32.md @@ -256,8 +256,8 @@ Avl tree 2. 删除节点有以下三种情况： 1. 如果`nodeToBeDeleted`是叶节点（即没有任何子节点），则删除`nodeToBeDeleted`。 - 2. 如果`nodeToBeDeleted`有一个孩子，则用该孩子的内容替换`nodeToBeDeleted`的内容。 移走孩子。 - 3. 如果`nodeToBeDeleted`有两个孩子，则找到`nodeToBeDeleted`的有序继承人`w`（即，在右子树中具有键的最小值的节点）。 + 2. 如果`nodeToBeDeleted`有一个子级，则用该子级的内容替换`nodeToBeDeleted`的内容。 移走子级。 + 3. 如果`nodeToBeDeleted`有两个子级，则找到`nodeToBeDeleted`的有序继承人`w`（即，在右子树中具有键的最小值的节点）。 ![finding the successor](img/7bcd32387ce7a967bde7f3b1775cd5e2.png "finding the successor") diff --git a/docs/dsal/36.md b/docs/dsal/36.md index a53880367a2a24043e59c24ff808ff74048ae7b9..4bb5176e87b7483cdcb100f7aa068bf66325d50d 100644 --- a/docs/dsal/36.md +++ b/docs/dsal/36.md @@ -91,9 +91,9 @@ B 树中的删除操作主要有三种情况。 ### 情况三 -在这种情况下，树的高度会缩小。 如果目标键位于内部节点中，并且键的删除导致节点中键的数量减少（即少于所需的最小数量），则寻找有序前驱和有序后继。 如果两个孩子都包含最少数量的钥匙，则无法进行借用。 这导致情况二（3），即合并孩子。 +在这种情况下，树的高度会缩小。 如果目标键位于内部节点中，并且键的删除导致节点中键的数量减少（即少于所需的最小数量），则寻找有序前驱和有序后继。 如果两个子级都包含最少数量的钥匙，则无法进行借用。 这导致情况二（3），即合并子级。 -同样，寻找同胞借用钥匙。 但是，如果同级也只有最少数量的键，则将同级节点与父级合并。 相应地安排孩子们（增加顺序）。 +同样，寻找同胞借用钥匙。 但是，如果同级也只有最少数量的键，则将同级节点与父级合并。 相应地安排子级们（增加顺序）。 ![Deleting an internal node](img/ba8ef21f239cb244498fe255646e1994.png "Deleting an internal node") diff --git a/docs/dsal/37.md b/docs/dsal/37.md index 5299887b52ca88b3c2431816d2b0f1544d9179c9..27f371ccb3fd8d3c97887dc16a6e0a0939e4eb7f 100644 --- a/docs/dsal/37.md +++ b/docs/dsal/37.md @@ -76,7 +76,7 @@ B+ tree -2. 由于`k > 25`，请找到合适的孩子。 +2. 由于`k > 25`，请找到合适的子级。 ![B+ tree search](img/8c3928ad66bfea026b07d770b9e989b7.png "B+ tree search") @@ -89,7 +89,7 @@ B+ tree -4. 由于`k≥45`，因此请找到合适的孩子。 +4. 由于`k≥45`，因此请找到合适的子级。 ![B+ tree search](img/35985bda9a2e7fdbe5b780dee68c7c55.png "B+ tree search") diff --git a/docs/dsal/4.md b/docs/dsal/4.md index 5379b5a4fe574d98f4eb02275dd6878db138bc89..2d3d5d964c91be88e179b38153dbeeda3129657b 100644 --- a/docs/dsal/4.md +++ b/docs/dsal/4.md @@ -207,7 +207,7 @@ DNA 是携带遗传信息的分子。 它们由较小的单位组成，用罗马 由`+`代替的`*`运算符进行了大量更改。 -考虑到模式为 100 个字符，您的算法现在快了 100 倍。 如果您的图案包含 1000 个字符，那么 KMP 算法的速度将提高近 1000 倍。 也就是说，如果您能够在 1 秒内找到模式的出现，那么现在只需要 1 毫秒。 我们也可以用另一种方式。 您可以同时匹配 1000 条相似长度的链，而不是匹配 1 条链。 +考虑到模式为 100 个字符，您的算法现在快了 100 倍。 如果您的模式包含 1000 个字符，那么 KMP 算法的速度将提高近 1000 倍。 也就是说，如果您能够在 1 秒内找到模式的出现，那么现在只需要 1 毫秒。 我们也可以用另一种方式。 您可以同时匹配 1000 条相似长度的链，而不是匹配 1 条链。 而且有无数这样的故事... diff --git a/docs/dsal/40.md b/docs/dsal/40.md index ddb016238fd030be476b0aaa08eef02b6a3875cc..e3ccd5c2919014d31418988a711f2e1a8793905b 100644 --- a/docs/dsal/40.md +++ b/docs/dsal/40.md @@ -149,7 +149,7 @@ Red Black Tree -2. 在`y-z`上右旋转。 +2. 在`y-z`上向右旋转。 ![left-right rotate](img/8ecc5bd81a8bb1bb74c13ab4ce357535.png "right rotate z-y") @@ -159,7 +159,7 @@ Red Black Tree 在左右旋转时，排列首先移至右侧，然后移至左侧。 -1. 在`x-y`上右旋转。 +1. 在`x-y`上向右旋转。 ![right-left rotate](img/68cc4199fe614338cf02789a3cd16679.png "right rotate x-y") @@ -182,7 +182,7 @@ Red Black Tree 插入新节点时，新节点始终作为红色节点插入。 插入新节点后，如果树违反了红黑树的属性，则执行以下操作。 1. 重新着色 -2. 回转 +2. 重新旋转 * * * @@ -218,7 +218,7 @@ Red Black Tree 如果`newNode`的插入违反了此属性，则此算法用于维护红黑树的属性。 1. 进行以下操作，直到`newNode p`的父级为红色。 -2. 如果`p`是`z`的`grandParent gP`的左孩子，请执行以下操作。 +2. 如果`p`是`z`的`grandParent gP`的左子级，请执行以下操作。 **情况一**： 1. 如果`z`的`gP`的右子色为红色，则将`gP`的两个子级分别设置为黑色和红色。 2. 将`gP`分配给`newNode`。 @@ -247,11 +247,11 @@ Red Black Tree ### 删除节点的算法 1. 将`nodeToBeDeleted`的颜色保存在`origrinalColor`中。 -2. 如果`nodeToBeDeleted`的左孩子是`NULL` +2. 如果`nodeToBeDeleted`的左子级是`NULL` 1. 将`nodeToBeDeleted`的右子代分配给`x`。 2. 用`x`移植`nodeToBeDeleted`。 3. 否则，如果`nodeToBeDeleted`的右子对象是`NULL` - 1. 将`nodeToBeDeleted`的左孩子分配到`x`中。 + 1. 将`nodeToBeDeleted`的左子级分配到`x`中。 2. 用`x`移植`nodeToBeDeleted`。 4. 其他 1. 将`noteToBeDeleted`的右子树的最小值分配到`y`中。 @@ -282,7 +282,7 @@ Red Black Tree 以下算法保留了红黑树的属性。 1. 执行以下操作，直到`x`不是树的根并且`x`的颜色为黑色 -2. 如果`x`是其父级的左孩子， +2. 如果`x`是其父级的左子级， 1. 将`w`分配给`x`的同级。 2. 如果`x`的父级的右子是红色，则 **情况 I**： diff --git a/docs/dsal/41.md b/docs/dsal/41.md index f9ca7c2e0e47c9cd4309a4f6b0ee8ecbcdb38b14..a0cca02eb76e64f137c0f3f7f69eb01f50e567b9 100644 --- a/docs/dsal/41.md +++ b/docs/dsal/41.md @@ -11,7 +11,7 @@ 插入新节点时，新节点始终作为红色节点插入。 插入新节点后，如果树违反了红黑树的属性，则执行以下操作。 1. 重新着色 -2. 回转 +2. 重新旋转 * * * @@ -83,7 +83,7 @@ 如果插入`newNode`违反了该属性，则此算法用于维护红黑树的属性。 1. 执行以下操作，直到`newNode p`的父代变为红色。 -2. 如果`p`是`newNode`的`grandParent gP`的左孩子，请执行以下操作。 +2. 如果`p`是`newNode`的`grandParent gP`的左子级，请执行以下操作。 **情况一**： 1. 如果`newNode`的`gP`的右子级的颜色是红色，则将`gP`的子级的颜色都设置为黑色，将`gP`的颜色都设置为红色。 diff --git a/docs/dsal/42.md b/docs/dsal/42.md index 5cc4da2969fac085fbfac050281947e559dc1c6e..219974754d901bbaee32270a8680404f65a6545d 100644 --- a/docs/dsal/42.md +++ b/docs/dsal/42.md @@ -32,7 +32,7 @@ -3. 如果`nodeToBeDeleted`的左孩子是`NULL` +3. 如果`nodeToBeDeleted`的左子级是`NULL` 1. 将`nodeToBeDeleted`的右子代分配给`x`。 ![deletion in a red-black tree](img/1c1d4bccc79c9652144a6fe39b602418.png "assign x to the rightChild") @@ -50,9 +50,9 @@ 4. 否则，如果`nodeToBeDeleted`的右子对象是`NULL` - 1. 将`nodeToBeDeleted`的左孩子分配到`x`中。 + 1. 将`nodeToBeDeleted`的左子级分配到`x`中。 2. 用`x`移植`nodeToBeDeleted`。 -5. 其他 +5. 否则 1. 将`noteToBeDeleted`的右子树的最小值分配到`y`中。 2. 将`和`的颜色保存在`originalColor`中。 3. 将`y`的`rightChild`分配到`x`中。 @@ -81,7 +81,7 @@ 以下算法保留了红黑树的属性。 1. 执行以下操作，直到`x`不是树的根并且`x`的颜色为黑色 -2. 如果`x`是其父级的左孩子， +2. 如果`x`是其父级的左子级， 1. 将`w`分配给`x`的兄弟。 ![deletion in a red-black tree](img/b80a459b7a0d32e17b962f48bd1cb6d2.png "assigning w") diff --git a/docs/dsal/44.md b/docs/dsal/44.md index 549400c7005b295c78d1f9bb044013476c020598..a8e968f3a16ba884319c77dfb300630e68c56116 100644 --- a/docs/dsal/44.md +++ b/docs/dsal/44.md @@ -8,7 +8,7 @@ 让我们尝试通过一个例子来理解这一点。 在 facebook 上，一切都是节点。 包括用户，照片，相册，事件，组，页面，评论，故事，视频，链接，注释...任何有数据的都是节点。 -每个关系都是从一个节点到另一个节点的一条边。 无论您发布照片，加入群组（如页面等），都会为该关系创建新的边缘。 +每个关系都是从一个节点到另一个节点的一条边。 无论您发布照片，加入群组（如页面等），都会为该关系创建新的边。 ![graph data structure explained using facebook's example. Users, groups, pages, events, etc. are represented as nodes and their relationships - friend, joining a group, liking a page are represented as links between nodes](img/85cd94ece58965f7646c95b7496418ba.png "Example of graph data structure") @@ -16,12 +16,12 @@ Example of graph data structure -然后，所有的 facebook 都是这些节点和边缘的集合。 这是因为 facebook 使用图形数据结构来存储其数据。 +然后，所有的 facebook 都是这些节点和边的集合。 这是因为 facebook 使用图形数据结构来存储其数据。 更准确地说，图是一种数据结构`(V, E)`，由 * 顶点`V`的集合 -* 边缘`E`的集合，表示为有序的顶点对`(u, v)` +* 边`E`的集合，表示为有序的顶点对`(u, v)` ![a graph contains vertices that are like points and edges that connect the points](img/abf9b1eff586dcbc635ccd0aedc5d1c0.png "Vertices and edges") @@ -43,7 +43,7 @@ G = {V, E} * **相邻**：如果存在一条连接顶点的边，则该顶点被称为与另一个顶点相邻。 顶点 2 和 3 不相邻，因为它们之间没有边。 * **路径**：一条允许您从顶点`A`到顶点`B`的边序列称为路径。 0-1、1-2 和 0-2 是从顶点 0 到顶点 2 的路径。 -* **有向图**：其中边`(u, v)`不一定意味着也有边`(v, u)`的图。 该图中的边缘由箭头表示，以显示边缘的方向。 +* **有向图**：其中边`(u, v)`不一定意味着也有边`(v, u)`的图。 该图中的边由箭头表示，以显示边的方向。 * * * diff --git a/docs/dsal/45.md b/docs/dsal/45.md index 1e48c01a64ef1650768081b3824ca0dea4b3a858..77d136055022528790f9a2fcd30ebf2b64d6a7ea 100644 --- a/docs/dsal/45.md +++ b/docs/dsal/45.md @@ -6,7 +6,7 @@ 在学习生成树之前，我们需要了解两个图：无向图和连接图。 -**无向图**是其中边缘没有指向任何方向的图（即，边缘是双向的）。 +**无向图**是其中边没有指向任何方向的图（即，边是双向的）。 ![Undirected Graph](img/7167ad2a18ac65a155f0105133975f95.png "Undirected Graph") @@ -28,7 +28,7 @@ Connected Graph 生成树是无向图和连通图的子图，其中包括图的所有顶点，这些顶点的边数最少。 如果缺少顶点，则它不是生成树。 -边缘可以分配权重，也可以不分配权重。 +边可以分配权重，也可以不分配权重。 可以从完整图形创建的具有`n`顶点的生成树总数等于`n^(n-2)`。 @@ -90,7 +90,7 @@ A spanning tree ## 最小生成树 -最小生成树是其中边缘的权重之和尽可能最小的生成树。 +最小生成树是其中边的权重之和尽可能最小的生成树。 * * * diff --git a/docs/dsal/46.md b/docs/dsal/46.md index 2056cb67d7f648e156f73e0626d935bc5f8acefb..06a3e0d389e1d5d9baa5456fe86efe91f030fed6 100644 --- a/docs/dsal/46.md +++ b/docs/dsal/46.md @@ -36,7 +36,7 @@ Kosaraju 的算法基于[两次实现的深度优先搜索算法](/dsa/graph-dfs 涉及三个步骤。 -1. 在整个图形上执行深度优先搜索。 +1. 在整个图上执行深度优先搜索。 让我们从顶点 0 开始，访问其所有子顶点，并将访问的顶点标记为完成。 如果顶点通向已经访问过的顶点，则将该顶点推入栈。 diff --git a/docs/dsal/49.md b/docs/dsal/49.md index 7ce470812c2750f7f20b68a342d58be6367fb30b..a2f104af5367403854a00ef7e225178ce0a6375b 100644 --- a/docs/dsal/49.md +++ b/docs/dsal/49.md @@ -12,8 +12,8 @@ 一个标准的 DFS 实现将图形的每个顶点分为以下两类之一： -1. 来过 -2. 未造访 +1. 已访问 +2. 未访问 该算法的目的是将每个顶点标记为已访问，同时避免循环。 @@ -354,6 +354,6 @@ DFS 算法的时间复杂度以`O(V + E)`的形式表示，其中`V`是节点数 ## DFS 算法应用 1. 寻找路径 -2. 测试图是否为二部图 +2. 测试图是否为二分图 3. 用于查找图的强连接组件 -4. 用于检测图中的周期 \ No newline at end of file +4. 用于检测图中的循环 \ No newline at end of file diff --git a/docs/dsal/50.md b/docs/dsal/50.md index b184789980c5c5fab072e5f66fd912bd1df95357..aea15066ea275ccbc50fd2b3488f8ecdeb8f6765 100644 --- a/docs/dsal/50.md +++ b/docs/dsal/50.md @@ -12,8 +12,8 @@ 标准的 BFS 实现将图形的每个顶点分为以下两类之一： -1. 来过 -2. 未造访 +1. 已访问 +2. 未访问 该算法的目的是将每个顶点标记为已访问，同时避免循环。 diff --git a/docs/dsal/51.md b/docs/dsal/51.md index 8bba73e0eb449e7eb6636ca62cfc170d1ff0f40d..9863e8a0bffba7b542dad5640f39e68fd85d1e7f 100644 --- a/docs/dsal/51.md +++ b/docs/dsal/51.md @@ -8,9 +8,9 @@ * * * -## 为什么人们在现实生活中会遇到负重的边缘？ +## 为什么人们在现实生活中会遇到负重的边？ -起初负负边缘似乎没有用，但它们可以解释很多现象，例如现金流，化学反应中释放/吸收的热量等。 +起初负负边似乎没有用，但它们可以解释很多现象，例如现金流，化学反应中释放/吸收的热量等。 例如，如果从一种化学品 A 到达另一种化学品 B 的方式不同，则每种方法都会具有涉及散热和吸收的副反应。 diff --git a/docs/dsal/53.md b/docs/dsal/53.md index 331fcd1b1dc33770f90dfb2d452a4d08c54cebab..5ae3a3c0d507469ec9d27bfb755a60404a0c557a 100644 --- a/docs/dsal/53.md +++ b/docs/dsal/53.md @@ -456,4 +456,4 @@ int main() { 在以下情况下使用冒泡排序： 1. 代码的复杂程度无关紧要。 -2. 首选短代码。 \ No newline at end of file +2. 短代码是首选的。 \ No newline at end of file diff --git a/docs/dsal/59.md b/docs/dsal/59.md index c8fdc968d4ad7d7732d78ee777474abcf3f0f6d6..530ac50c1d8c1f05b2051e2040072752fb65963b 100644 --- a/docs/dsal/59.md +++ b/docs/dsal/59.md @@ -25,7 +25,7 @@ Working of Radix Sort 1. 找到数组中最大的元素，即`max`。 令`X`为`max`中的位数。 计算`X`是因为我们必须遍历所有元素的所有重要位置。 在此数组`[121, 432, 564, 23, 1, 45, 788]`中，我们拥有最大的数字 788。它具有 3 位数字。 因此，循环应上升到百位（3 次）。 -2. 现在，一个接一个地走过每个重要的地方。 +2. 现在，一个接一个地访问每个重要的地方。 使用任何稳定的排序技术在每个重要位置对数字进行排序。 我们为此使用了计数排序。 @@ -45,7 +45,7 @@ Working of Radix Sort -4. 最后，根据数百位数字对元素进行排序。 +4. 最后，根据百位数字对元素进行排序。 ![Selection Sort Step](img/b022db2672932eb8eb38283f96639087.png "Selection Sort Step") diff --git a/docs/dsal/63.md b/docs/dsal/63.md index 1fe9824aeb8ce2755b0135b215fecc0f696904e6..e77d74c427c160b8b953ef547bd58678fe200e2b 100644 --- a/docs/dsal/63.md +++ b/docs/dsal/63.md @@ -34,7 +34,7 @@ Array to be searched for -3. 否则，返回`未找到`。 +3. 否则，返回`"not found"`。 * * * diff --git a/docs/dsal/64.md b/docs/dsal/64.md index 8391848ccef315c8b24535922ede6dfd07df47fe..5e0e3f0121a45ec635ffca638098ac4a5055c000 100644 --- a/docs/dsal/64.md +++ b/docs/dsal/64.md @@ -16,7 +16,7 @@ 二分搜索算法可以通过以下两种方式实现。 -1. 迭代法 +1. 迭代方法 2. 递归方法 递归方法遵循[分治](/dsa/divide-and-conquer)方法。 @@ -63,7 +63,7 @@ -8. 找到`x = 4`。 找到 +8. 找到`x = 4`。 ![found Binary Search](img/c2c276e600a88ce46fbbe1fe1860631a.png "found") diff --git a/docs/dsal/67.md b/docs/dsal/67.md index eaa46f6f485cf10789f879377331203a90b2e6a5..9bac995ab285367682c1dcfcf59a13f25644a614 100644 --- a/docs/dsal/67.md +++ b/docs/dsal/67.md @@ -30,7 +30,7 @@ Flow network graph ### 剩余容量 -从最大容量中减去流量后的边缘容量。 +从最大容量中减去流量后的边容量。 * * * @@ -40,7 +40,7 @@ Flow network graph 1. 将所有边中的流初始化为 0。 2. 当源和接收器之间存在增加路径时，将此路径添加到流中。 -3. 更新残差图。 +3. 更新剩余图。 如果需要，我们还可以考虑反向路径，因为如果不考虑反向路径，则可能永远找不到最大流量。 @@ -66,7 +66,7 @@ Flow network graph example - 三个边缘之间的最小容量为 2（`B-T`）。 基于此，为每个路径更新`流量/容量`。 + 三个边之间的最小容量为 2（`B-T`）。 基于此，为每个路径更新`流量/容量`。 ![Update the capacities](img/4e131b7ccdbaa2eb60500c1ff2e4d071.png "Update the capacities") @@ -74,7 +74,7 @@ Flow network graph example -2. 选择其他路径`S-D-C-T`。 这些边缘之间的最小容量为 3（`S-D`）。 +2. 选择其他路径`S-D-C-T`。 这些边之间的最小容量为 3（`S-D`）。 ![Find next path](img/f32b40ad2b798c80e29c88f81e4cec3e.png "Find next path") @@ -90,7 +90,7 @@ Flow network graph example -3. 现在，让我们考虑反向路径`B-D`。 选择路径`S-A-B-D-C-T`。 边缘之间的最小剩余容量为 1（`D-C`）。 +3. 现在，让我们考虑反向路径`B-D`。 选择路径`S-A-B-D-C-T`。 边之间的最小剩余容量为 1（`D-C`）。 ![Find next path](img/dbaf48642bfe9207684d352b8a522186.png "Find next path") @@ -109,7 +109,7 @@ Flow network graph example 分别考虑正向和反向路径的容量。 4. 将所有流量相加，`2 + 3 + 1 = 6`，这是网络流上的最大可能流量。 -请注意，如果任何边缘的容量已满，则无法使用该路径。 +请注意，如果任何边的容量已满，则无法使用该路径。 * * * diff --git a/docs/dsal/69.md b/docs/dsal/69.md index 17d973a9cad1081b2f5caf8d6f7ca93aedbf70fc..c7a562d4cf21233c9ab14e53d308a9429b41e671 100644 --- a/docs/dsal/69.md +++ b/docs/dsal/69.md @@ -4,7 +4,7 @@ #### 在本教程中，您将学习 Kruskal 的算法如何工作。 此外，您还将找到 C，C++ ，Java 和 Python 中 Kruskal 算法的工作示例。 -Kruskal 算法是一种[最小生成树](/dsa/spanning-tree-and-minimum-spanning-tree#minimum-spanning)算法，该算法将图形作为输入，并找到该图形的边缘子集， +Kruskal 算法是一种[最小生成树](/dsa/spanning-tree-and-minimum-spanning-tree#minimum-spanning)算法，该算法将图形作为输入，并找到该图形的边子集， * 形成包括每个顶点的树 * 在可以从图中形成的所有树中具有最小的权重总和 @@ -15,12 +15,12 @@ Kruskal 算法是一种[最小生成树](/dsa/spanning-tree-and-minimum-spanning 它属于称为[贪婪算法](http://www.personal.kent.edu/~rmuhamma/Algorithms/MyAlgorithms/Greedy/greedyIntro.htm)的一类算法，该算法可以找到局部最优值，以期找到全局最优值。 -我们从权重最低的边缘开始，不断增加边缘直到达到目标。 +我们从权重最低的边开始，不断增加边直到达到目标。 实现 Kruskal 算法的步骤如下： -1. 从轻到重的所有边缘排序 -2. 选取权重最低的边缘并将其添加到生成树。 如果添加边创建了一个循环，则拒绝该边。 +1. 从小到大排序所有边 +2. 选取权重最低的边并将其添加到生成树。 如果添加边创建了一个循环，则拒绝该边。 3. 继续添加边，直到我们到达所有顶点。 * * * @@ -541,7 +541,7 @@ int main() { ## Kruskal vs Prim 算法 -[Prim 算法](/dsa/prim-algorithm)是另一种流行的最小生成树算法，它使用不同的逻辑来查找图的 MST。 Prim 的算法不是从边缘开始，而是从顶点开始，并不断添加树中没有的权重最低的边缘，直到所有顶点都被覆盖为止。 +[Prim 算法](/dsa/prim-algorithm)是另一种流行的最小生成树算法，它使用不同的逻辑来查找图的 MST。 Prim 的算法不是从边开始，而是从顶点开始，并不断添加树中没有的权重最低的边，直到所有顶点都被覆盖为止。 * * * diff --git a/docs/dsal/70.md b/docs/dsal/70.md index 7dcc368783da2ab6a40834707bcc0e716ddfcf84..9dbccec5205abd77cf303aa72fee33dc7e4e3c04 100644 --- a/docs/dsal/70.md +++ b/docs/dsal/70.md @@ -377,7 +377,7 @@ int main() { ## 普里姆斯与克鲁斯卡尔算法 -[Kruskal 算法](/dsa/kruskal-algorithm)是另一种流行的最小生成树算法，它使用不同的逻辑来查找图的 MST。 Kruskal 的算法不是从顶点开始，而是对所有边缘从低权重到高边缘进行排序，并不断添加最低边缘，而忽略那些会产生循环的边缘。 +[Kruskal 算法](/dsa/kruskal-algorithm)是另一种流行的最小生成树算法，它使用不同的逻辑来查找图的 MST。 Kruskal 的算法不是从顶点开始，而是对所有边从低权重到高边进行排序，并不断添加最低边，而忽略那些会产生循环的边。 * * * diff --git a/docs/dsal/71.md b/docs/dsal/71.md index 0233f9b72f4a3f8a55e9a0b847595d0c8e07aad1..d1beab99d3d6d57145de967b5a4d14c793d371fa 100644 --- a/docs/dsal/71.md +++ b/docs/dsal/71.md @@ -76,11 +76,11 @@ Initial string -8. 对于每个非叶节点，将 0 分配给左边缘，将 1 分配给右边缘。 +8. 对于每个非叶节点，将 0 分配给左边，将 1 分配给右边。 ![huffman coding](img/a17c1eca1f7df0e18ada2ed34c13f014.png "getting the sum of the least numbers") - 将 0 分配给左边缘，将 1 分配给右边缘 + 将 0 分配给左边，将 1 分配给右边 diff --git a/docs/dsal/78.md b/docs/dsal/78.md index 48bc1e4b84998e7973f8653ad52cac2093790bcd..2873cea00eae636d2d1ad89a25c4774af3363752 100644 --- a/docs/dsal/78.md +++ b/docs/dsal/78.md @@ -40,7 +40,7 @@ Rabin-Karp 算法是一种用于使用哈希函数搜索/匹配文本中的模 -3. `m`是图案的长度，`n`是文本的长度。 在此，`m = 10 and n = 3.` +3. `m`是模式的长度，`n`是文本的长度。 在此，`m = 10 and n = 3.` 令`d`为输入集中的字符数。 在这里，我们采用了输入集`{A, B, C, ..., J}`。 因此，`d = 10`。 您可以为`d`假定任何合适的值。 4. 让我们计算模式的哈希值。