build

chapter_graph/graph.md

@@ -16,6 +16,8 @@ $$
 
 ![链表、树、图之间的关系](graph.assets/linkedlist_tree_graph.png)
 
+<p align="center"> Fig. 链表、树、图之间的关系 </p>
+
 那么，图与其他数据结构的关系是什么？如果我们把「顶点」看作结点，把「边」看作连接各个结点的指针，则可将「图」看成一种从「链表」拓展而来的数据结构。**相比线性关系（链表）和分治关系（树），网络关系（图）的自由度更高，也从而更为复杂**。
 
 ## 9.1.1. &nbsp; 图常见类型
@@ -27,6 +29,8 @@ $$
 
 ![有向图与无向图](graph.assets/directed_graph.png)
 
+<p align="center"> Fig. 有向图与无向图 </p>
+
 根据所有顶点是否连通，分为「连通图 Connected Graph」和「非连通图 Disconnected Graph」。
 
 - 对于连通图，从某个顶点出发，可以到达其余任意顶点；
@@ -34,10 +38,14 @@ $$
 
 ![连通图与非连通图](graph.assets/connected_graph.png)
 
+<p align="center"> Fig. 连通图与非连通图 </p>
+
 我们可以给边添加“权重”变量，得到「有权图 Weighted Graph」。例如，在王者荣耀等游戏中，系统会根据共同游戏时间来计算玩家之间的“亲密度”，这种亲密度网络就可以使用有权图来表示。
 
 ![有权图与无权图](graph.assets/weighted_graph.png)
 
+<p align="center"> Fig. 有权图与无权图 </p>
+
 ## 9.1.2. &nbsp; 图常用术语
 
 - 「邻接 Adjacency」：当两顶点之间有边相连时，称此两顶点“邻接”。
@@ -56,6 +64,8 @@ $$
 
 ![图的邻接矩阵表示](graph.assets/adjacency_matrix.png)
 
+<p align="center"> Fig. 图的邻接矩阵表示 </p>
+
 邻接矩阵具有以下性质：
 
 - 顶点不能与自身相连，因而邻接矩阵主对角线元素没有意义。
@@ -70,6 +80,8 @@ $$
 
 ![图的邻接表表示](graph.assets/adjacency_list.png)
 
+<p align="center"> Fig. 图的邻接表表示 </p>
+
 邻接表仅存储存在的边，而边的总数往往远小于 $n^2$ ，因此更加节省空间。但是，因为在邻接表中需要通过遍历链表来查找边，所以其时间效率不如邻接矩阵。
 
 观察上图发现，**邻接表结构与哈希表「链地址法」非常相似，因此我们也可以用类似方法来优化效率**。比如，当链表较长时，可以把链表转化为「AVL 树」，从而将时间效率从 $O(n)$ 优化至 $O(\log n)$ ，还可以通过中序遍历获取有序序列；还可以将链表转化为 HashSet（即哈希表），将时间复杂度降低至 $O(1)$ 。

chapter_graph/graph_traversal.md

@@ -18,6 +18,8 @@ comments: true
 
 ![图的广度优先遍历](graph_traversal.assets/graph_bfs.png)
 
+<p align="center"> Fig. 图的广度优先遍历 </p>
+
 ### 算法实现
 
 BFS 常借助「队列」来实现。队列具有“先入先出”的性质，这与 BFS “由近及远”的思想是异曲同工的。
@@ -256,6 +258,8 @@ BFS 常借助「队列」来实现。队列具有“先入先出”的性质，
 
 ![图的深度优先遍历](graph_traversal.assets/graph_dfs.png)
 
+<p align="center"> Fig. 图的深度优先遍历 </p>
+
 ### 算法实现
 
 这种“走到头 + 回溯”的算法形式一般基于递归来实现。与 BFS 类似，在 DFS 中我们也需要借助一个哈希表 `visited` 来记录已被访问的顶点，以避免重复访问顶点。