deploy

chapter_graph/graph/index.html

@@ -3474,44 +3474,44 @@ E & = \{ (1,2), (1,3), (1,5), (2,3), (2,4), (2,5), (4,5) \} \newline
 G & = \{ V, E \} \newline
 \end{aligned}
 \]</div>
-<p>如果将顶点看作节点，将边看作连接各个节点的引用（指针），我们就可以将图看作是一种从链表拓展而来的数据结构。如下图所示，<strong>相较于线性关系（链表）和分治关系（树），网络关系（图）的自由度更高</strong>，从而更为复杂。</p>
+<p>如果将顶点看作节点，将边看作连接各个节点的引用（指针），我们就可以将图看作是一种从链表拓展而来的数据结构。如图 9-1 所示，<strong>相较于线性关系（链表）和分治关系（树），网络关系（图）的自由度更高</strong>，从而更为复杂。</p>
 <p><img alt="链表、树、图之间的关系" src="../graph.assets/linkedlist_tree_graph.png" /></p>
-<p align="center"> 图：链表、树、图之间的关系 </p>
+<p align="center"> 图 9-1 &nbsp; 链表、树、图之间的关系 </p>
 
 <h2 id="911">9.1.1 &nbsp; 图常见类型与术语<a class="headerlink" href="#911" title="Permanent link">&para;</a></h2>
-<p>根据边是否具有方向，可分为下图所示的「无向图 undirected graph」和「有向图 directed graph」。</p>
+<p>根据边是否具有方向，可分为图 9-2 所示的「无向图 undirected graph」和「有向图 directed graph」。</p>
 <ul>
 <li>在无向图中，边表示两顶点之间的“双向”连接关系，例如微信或 QQ 中的“好友关系”。</li>
 <li>在有向图中，边具有方向性，即 <span class="arithmatex">\(A \rightarrow B\)</span> 和 <span class="arithmatex">\(A \leftarrow B\)</span> 两个方向的边是相互独立的，例如微博或抖音上的“关注”与“被关注”关系。</li>
 </ul>
 <p><img alt="有向图与无向图" src="../graph.assets/directed_graph.png" /></p>
-<p align="center"> 图：有向图与无向图 </p>
+<p align="center"> 图 9-2 &nbsp; 有向图与无向图 </p>
 
-<p>根据所有顶点是否连通，可分为下图所示的「连通图 connected graph」和「非连通图 disconnected graph」。</p>
+<p>根据所有顶点是否连通，可分为图 9-3 所示的「连通图 connected graph」和「非连通图 disconnected graph」。</p>
 <ul>
 <li>对于连通图，从某个顶点出发，可以到达其余任意顶点。</li>
 <li>对于非连通图，从某个顶点出发，至少有一个顶点无法到达。</li>
 </ul>
 <p><img alt="连通图与非连通图" src="../graph.assets/connected_graph.png" /></p>
-<p align="center"> 图：连通图与非连通图 </p>
+<p align="center"> 图 9-3 &nbsp; 连通图与非连通图 </p>
 
-<p>我们还可以为边添加“权重”变量，从而得到下图所示的「有权图 weighted graph」。例如在王者荣耀等手游中，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用有权图来表示。</p>
+<p>我们还可以为边添加“权重”变量，从而得到图 9-4 所示的「有权图 weighted graph」。例如在王者荣耀等手游中，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用有权图来表示。</p>
 <p><img alt="有权图与无权图" src="../graph.assets/weighted_graph.png" /></p>
-<p align="center"> 图：有权图与无权图 </p>
+<p align="center"> 图 9-4 &nbsp; 有权图与无权图 </p>
 
 <p>图的常用术语包括：</p>
 <ul>
-<li>「邻接 adjacency」：当两顶点之间存在边相连时，称这两顶点“邻接”。在上图中，顶点 1 的邻接顶点为顶点 2、3、5。</li>
-<li>「路径 path」：从顶点 A 到顶点 B 经过的边构成的序列被称为从 A 到 B 的“路径”。在上图中，边序列 1-5-2-4 是顶点 1 到顶点 4 的一条路径。</li>
+<li>「邻接 adjacency」：当两顶点之间存在边相连时，称这两顶点“邻接”。在图 9-4 中，顶点 1 的邻接顶点为顶点 2、3、5。</li>
+<li>「路径 path」：从顶点 A 到顶点 B 经过的边构成的序列被称为从 A 到 B 的“路径”。在图 9-4 中，边序列 1-5-2-4 是顶点 1 到顶点 4 的一条路径。</li>
 <li>「度 degree」：一个顶点拥有的边数。对于有向图，「入度 In-Degree」表示有多少条边指向该顶点，「出度 Out-Degree」表示有多少条边从该顶点指出。</li>
 </ul>
 <h2 id="912">9.1.2 &nbsp; 图的表示<a class="headerlink" href="#912" title="Permanent link">&para;</a></h2>
 <p>图的常用表示方式包括“邻接矩阵”和“邻接表”。以下使用无向图进行举例。</p>
 <h3 id="1">1. &nbsp; 邻接矩阵<a class="headerlink" href="#1" title="Permanent link">&para;</a></h3>
 <p>设图的顶点数量为 <span class="arithmatex">\(n\)</span> ，「邻接矩阵 adjacency matrix」使用一个 <span class="arithmatex">\(n \times n\)</span> 大小的矩阵来表示图，每一行（列）代表一个顶点，矩阵元素代表边，用 <span class="arithmatex">\(1\)</span> 或 <span class="arithmatex">\(0\)</span> 表示两个顶点之间是否存在边。</p>
-<p>如下图所示，设邻接矩阵为 <span class="arithmatex">\(M\)</span> 、顶点列表为 <span class="arithmatex">\(V\)</span> ，那么矩阵元素 <span class="arithmatex">\(M[i, j] = 1\)</span> 表示顶点 <span class="arithmatex">\(V[i]\)</span> 到顶点 <span class="arithmatex">\(V[j]\)</span> 之间存在边，反之 <span class="arithmatex">\(M[i, j] = 0\)</span> 表示两顶点之间无边。</p>
+<p>如图 9-5 所示，设邻接矩阵为 <span class="arithmatex">\(M\)</span> 、顶点列表为 <span class="arithmatex">\(V\)</span> ，那么矩阵元素 <span class="arithmatex">\(M[i, j] = 1\)</span> 表示顶点 <span class="arithmatex">\(V[i]\)</span> 到顶点 <span class="arithmatex">\(V[j]\)</span> 之间存在边，反之 <span class="arithmatex">\(M[i, j] = 0\)</span> 表示两顶点之间无边。</p>
 <p><img alt="图的邻接矩阵表示" src="../graph.assets/adjacency_matrix.png" /></p>
-<p align="center"> 图：图的邻接矩阵表示 </p>
+<p align="center"> 图 9-5 &nbsp; 图的邻接矩阵表示 </p>
 
 <p>邻接矩阵具有以下特性：</p>
 <ul>
@@ -3521,15 +3521,15 @@ G &amp; = \{ V, E \} \newline
 </ul>
 <p>使用邻接矩阵表示图时，我们可以直接访问矩阵元素以获取边，因此增删查操作的效率很高，时间复杂度均为 <span class="arithmatex">\(O(1)\)</span> 。然而，矩阵的空间复杂度为 <span class="arithmatex">\(O(n^2)\)</span> ，内存占用较多。</p>
 <h3 id="2">2. &nbsp; 邻接表<a class="headerlink" href="#2" title="Permanent link">&para;</a></h3>
-<p>「邻接表 adjacency list」使用 <span class="arithmatex">\(n\)</span> 个链表来表示图，链表节点表示顶点。第 <span class="arithmatex">\(i\)</span> 条链表对应顶点 <span class="arithmatex">\(i\)</span> ，其中存储了该顶点的所有邻接顶点（即与该顶点相连的顶点）。下图展示了一个使用邻接表存储的图的示例。</p>
+<p>「邻接表 adjacency list」使用 <span class="arithmatex">\(n\)</span> 个链表来表示图，链表节点表示顶点。第 <span class="arithmatex">\(i\)</span> 条链表对应顶点 <span class="arithmatex">\(i\)</span> ，其中存储了该顶点的所有邻接顶点（即与该顶点相连的顶点）。图 9-6 展示了一个使用邻接表存储的图的示例。</p>
 <p><img alt="图的邻接表表示" src="../graph.assets/adjacency_list.png" /></p>
-<p align="center"> 图：图的邻接表表示 </p>
+<p align="center"> 图 9-6 &nbsp; 图的邻接表表示 </p>
 
 <p>邻接表仅存储实际存在的边，而边的总数通常远小于 <span class="arithmatex">\(n^2\)</span> ，因此它更加节省空间。然而，在邻接表中需要通过遍历链表来查找边，因此其时间效率不如邻接矩阵。</p>
-<p>观察上图，<strong>邻接表结构与哈希表中的“链式地址”非常相似，因此我们也可以采用类似方法来优化效率</strong>。比如当链表较长时，可以将链表转化为 AVL 树或红黑树，从而将时间效率从 <span class="arithmatex">\(O(n)\)</span> 优化至 <span class="arithmatex">\(O(\log n)\)</span> ；还可以把链表转换为哈希表，从而将时间复杂度降低至 <span class="arithmatex">\(O(1)\)</span> 。</p>
+<p>观察图 9-6 ，<strong>邻接表结构与哈希表中的“链式地址”非常相似，因此我们也可以采用类似方法来优化效率</strong>。比如当链表较长时，可以将链表转化为 AVL 树或红黑树，从而将时间效率从 <span class="arithmatex">\(O(n)\)</span> 优化至 <span class="arithmatex">\(O(\log n)\)</span> ；还可以把链表转换为哈希表，从而将时间复杂度降低至 <span class="arithmatex">\(O(1)\)</span> 。</p>
 <h2 id="913">9.1.3 &nbsp; 图常见应用<a class="headerlink" href="#913" title="Permanent link">&para;</a></h2>
-<p>如下图所示，许多现实系统都可以用图来建模，相应的问题也可以约化为图计算问题。</p>
-<p align="center"> 表：现实生活中常见的图 </p>
+<p>如表 9-1 所示，许多现实系统都可以用图来建模，相应的问题也可以约化为图计算问题。</p>
+<p align="center"> 表 9-1 &nbsp; 现实生活中常见的图 </p>
 
 <div class="center-table">
 <table>

chapter_graph/graph_operations/index.html

@@ -3428,7 +3428,7 @@
 <h1 id="92">9.2 &nbsp; 图基础操作<a class="headerlink" href="#92" title="Permanent link">&para;</a></h1>
 <p>图的基础操作可分为对“边”的操作和对“顶点”的操作。在“邻接矩阵”和“邻接表”两种表示方法下，实现方式有所不同。</p>
 <h2 id="921">9.2.1 &nbsp; 基于邻接矩阵的实现<a class="headerlink" href="#921" title="Permanent link">&para;</a></h2>
-<p>给定一个顶点数量为 <span class="arithmatex">\(n\)</span> 的无向图，则各种操作的实现方式如下图所示。</p>
+<p>给定一个顶点数量为 <span class="arithmatex">\(n\)</span> 的无向图，则各种操作的实现方式如图 9-7 所示。</p>
 <ul>
 <li><strong>添加或删除边</strong>：直接在邻接矩阵中修改指定的边即可，使用 <span class="arithmatex">\(O(1)\)</span> 时间。而由于是无向图，因此需要同时更新两个方向的边。</li>
 <li><strong>添加顶点</strong>：在邻接矩阵的尾部添加一行一列，并全部填 <span class="arithmatex">\(0\)</span> 即可，使用 <span class="arithmatex">\(O(n)\)</span> 时间。</li>
@@ -3454,7 +3454,7 @@
 </div>
 </div>
 </div>
-<p align="center"> 图：邻接矩阵的初始化、增删边、增删顶点 </p>
+<p align="center"> 图 9-7 &nbsp; 邻接矩阵的初始化、增删边、增删顶点 </p>
 
 <p>以下是基于邻接矩阵表示图的实现代码。</p>
 <div class="tabbed-set tabbed-alternate" data-tabs="2:12"><input checked="checked" id="__tabbed_2_1" name="__tabbed_2" type="radio" /><input id="__tabbed_2_2" name="__tabbed_2" type="radio" /><input id="__tabbed_2_3" name="__tabbed_2" type="radio" /><input id="__tabbed_2_4" name="__tabbed_2" type="radio" /><input id="__tabbed_2_5" name="__tabbed_2" type="radio" /><input id="__tabbed_2_6" name="__tabbed_2" type="radio" /><input id="__tabbed_2_7" name="__tabbed_2" type="radio" /><input id="__tabbed_2_8" name="__tabbed_2" type="radio" /><input id="__tabbed_2_9" name="__tabbed_2" type="radio" /><input id="__tabbed_2_10" name="__tabbed_2" type="radio" /><input id="__tabbed_2_11" name="__tabbed_2" type="radio" /><input id="__tabbed_2_12" name="__tabbed_2" type="radio" /><div class="tabbed-labels"><label for="__tabbed_2_1">Java</label><label for="__tabbed_2_2">C++</label><label for="__tabbed_2_3">Python</label><label for="__tabbed_2_4">Go</label><label for="__tabbed_2_5">JS</label><label for="__tabbed_2_6">TS</label><label for="__tabbed_2_7">C</label><label for="__tabbed_2_8">C#</label><label for="__tabbed_2_9">Swift</label><label for="__tabbed_2_10">Zig</label><label for="__tabbed_2_11">Dart</label><label for="__tabbed_2_12">Rust</label></div>
@@ -4528,7 +4528,7 @@
 </div>
 </div>
 <h2 id="922">9.2.2 &nbsp; 基于邻接表的实现<a class="headerlink" href="#922" title="Permanent link">&para;</a></h2>
-<p>设无向图的顶点总数为 <span class="arithmatex">\(n\)</span> 、边总数为 <span class="arithmatex">\(m\)</span> ，则可根据下图所示的方法实现各种操作。</p>
+<p>设无向图的顶点总数为 <span class="arithmatex">\(n\)</span> 、边总数为 <span class="arithmatex">\(m\)</span> ，则可根据图 9-8 所示的方法实现各种操作。</p>
 <ul>
 <li><strong>添加边</strong>：在顶点对应链表的末尾添加边即可，使用 <span class="arithmatex">\(O(1)\)</span> 时间。因为是无向图，所以需要同时添加两个方向的边。</li>
 <li><strong>删除边</strong>：在顶点对应链表中查找并删除指定边，使用 <span class="arithmatex">\(O(m)\)</span> 时间。在无向图中，需要同时删除两个方向的边。</li>
@@ -4555,7 +4555,7 @@
 </div>
 </div>
 </div>
-<p align="center"> 图：邻接表的初始化、增删边、增删顶点 </p>
+<p align="center"> 图 9-8 &nbsp; 邻接表的初始化、增删边、增删顶点 </p>
 
 <p>以下是基于邻接表实现图的代码示例。细心的同学可能注意到，<strong>我们在邻接表中使用 <code>Vertex</code> 节点类来表示顶点</strong>，这样做的原因有：</p>
 <ul>
@@ -5499,8 +5499,8 @@
 </div>
 </div>
 <h2 id="923">9.2.3 &nbsp; 效率对比<a class="headerlink" href="#923" title="Permanent link">&para;</a></h2>
-<p>设图中共有 <span class="arithmatex">\(n\)</span> 个顶点和 <span class="arithmatex">\(m\)</span> 条边，下表对比了邻接矩阵和邻接表的时间和空间效率。</p>
-<p align="center"> 表：邻接矩阵与邻接表对比 </p>
+<p>设图中共有 <span class="arithmatex">\(n\)</span> 个顶点和 <span class="arithmatex">\(m\)</span> 条边，表 9-2 对比了邻接矩阵和邻接表的时间和空间效率。</p>
+<p align="center"> 表 9-2 &nbsp; 邻接矩阵与邻接表对比 </p>
 
 <div class="center-table">
 <table>
@@ -5552,7 +5552,7 @@
 </tbody>
 </table>
 </div>
-<p>观察上表，似乎邻接表（哈希表）的时间与空间效率最优。但实际上，在邻接矩阵中操作边的效率更高，只需要一次数组访问或赋值操作即可。综合来看，邻接矩阵体现了“以空间换时间”的原则，而邻接表体现了“以时间换空间”的原则。</p>
+<p>观察表 9-2 ，似乎邻接表（哈希表）的时间与空间效率最优。但实际上，在邻接矩阵中操作边的效率更高，只需要一次数组访问或赋值操作即可。综合来看，邻接矩阵体现了“以空间换时间”的原则，而邻接表体现了“以时间换空间”的原则。</p>
 
 
 

chapter_graph/graph_traversal/index.html

@@ -3499,9 +3499,9 @@
 <p>图和树都是非线性数据结构，都需要使用搜索算法来实现遍历操作。</p>
 <p>与树类似，图的遍历方式也可分为两种，即「广度优先遍历 breadth-first traversal」和「深度优先遍历 depth-first traversal」。它们也被称为「广度优先搜索 breadth-first search」和「深度优先搜索 depth-first search」，简称 BFS 和 DFS 。</p>
 <h2 id="931">9.3.1 &nbsp; 广度优先遍历<a class="headerlink" href="#931" title="Permanent link">&para;</a></h2>
-<p><strong>广度优先遍历是一种由近及远的遍历方式，从某个节点出发，始终优先访问距离最近的顶点，并一层层向外扩张</strong>。如下图所示，从左上角顶点出发，先遍历该顶点的所有邻接顶点，然后遍历下一个顶点的所有邻接顶点，以此类推，直至所有顶点访问完毕。</p>
+<p><strong>广度优先遍历是一种由近及远的遍历方式，从某个节点出发，始终优先访问距离最近的顶点，并一层层向外扩张</strong>。如图 9-9 所示，从左上角顶点出发，先遍历该顶点的所有邻接顶点，然后遍历下一个顶点的所有邻接顶点，以此类推，直至所有顶点访问完毕。</p>
 <p><img alt="图的广度优先遍历" src="../graph_traversal.assets/graph_bfs.png" /></p>
-<p align="center"> 图：图的广度优先遍历 </p>
+<p align="center"> 图 9-9 &nbsp; 图的广度优先遍历 </p>
 
 <h3 id="1">1. &nbsp; 算法实现<a class="headerlink" href="#1" title="Permanent link">&para;</a></h3>
 <p>BFS 通常借助队列来实现。队列具有“先入先出”的性质，这与 BFS 的“由近及远”的思想异曲同工。</p>
@@ -3853,7 +3853,7 @@
 </div>
 </div>
 </div>
-<p>代码相对抽象，建议对照下图来加深理解。</p>
+<p>代码相对抽象，建议对照图 9-10 来加深理解。</p>
 <div class="tabbed-set tabbed-alternate" data-tabs="2:11"><input checked="checked" id="__tabbed_2_1" name="__tabbed_2" type="radio" /><input id="__tabbed_2_2" name="__tabbed_2" type="radio" /><input id="__tabbed_2_3" name="__tabbed_2" type="radio" /><input id="__tabbed_2_4" name="__tabbed_2" type="radio" /><input id="__tabbed_2_5" name="__tabbed_2" type="radio" /><input id="__tabbed_2_6" name="__tabbed_2" type="radio" /><input id="__tabbed_2_7" name="__tabbed_2" type="radio" /><input id="__tabbed_2_8" name="__tabbed_2" type="radio" /><input id="__tabbed_2_9" name="__tabbed_2" type="radio" /><input id="__tabbed_2_10" name="__tabbed_2" type="radio" /><input id="__tabbed_2_11" name="__tabbed_2" type="radio" /><div class="tabbed-labels"><label for="__tabbed_2_1">&lt;1&gt;</label><label for="__tabbed_2_2">&lt;2&gt;</label><label for="__tabbed_2_3">&lt;3&gt;</label><label for="__tabbed_2_4">&lt;4&gt;</label><label for="__tabbed_2_5">&lt;5&gt;</label><label for="__tabbed_2_6">&lt;6&gt;</label><label for="__tabbed_2_7">&lt;7&gt;</label><label for="__tabbed_2_8">&lt;8&gt;</label><label for="__tabbed_2_9">&lt;9&gt;</label><label for="__tabbed_2_10">&lt;10&gt;</label><label for="__tabbed_2_11">&lt;11&gt;</label></div>
 <div class="tabbed-content">
 <div class="tabbed-block">
@@ -3891,19 +3891,19 @@
 </div>
 </div>
 </div>
-<p align="center"> 图：图的广度优先遍历步骤 </p>
+<p align="center"> 图 9-10 &nbsp; 图的广度优先遍历步骤 </p>
 
 <div class="admonition question">
 <p class="admonition-title">广度优先遍历的序列是否唯一？</p>
-<p>不唯一。广度优先遍历只要求按“由近及远”的顺序遍历，<strong>而多个相同距离的顶点的遍历顺序是允许被任意打乱的</strong>。以上图为例，顶点 <span class="arithmatex">\(1\)</span> , <span class="arithmatex">\(3\)</span> 的访问顺序可以交换、顶点 <span class="arithmatex">\(2\)</span> , <span class="arithmatex">\(4\)</span> , <span class="arithmatex">\(6\)</span> 的访问顺序也可以任意交换。</p>
+<p>不唯一。广度优先遍历只要求按“由近及远”的顺序遍历，<strong>而多个相同距离的顶点的遍历顺序是允许被任意打乱的</strong>。以图 9-10 为例，顶点 <span class="arithmatex">\(1\)</span> , <span class="arithmatex">\(3\)</span> 的访问顺序可以交换、顶点 <span class="arithmatex">\(2\)</span> , <span class="arithmatex">\(4\)</span> , <span class="arithmatex">\(6\)</span> 的访问顺序也可以任意交换。</p>
 </div>
 <h3 id="2">2. &nbsp; 复杂度分析<a class="headerlink" href="#2" title="Permanent link">&para;</a></h3>
 <p><strong>时间复杂度：</strong> 所有顶点都会入队并出队一次，使用 <span class="arithmatex">\(O(|V|)\)</span> 时间；在遍历邻接顶点的过程中，由于是无向图，因此所有边都会被访问 <span class="arithmatex">\(2\)</span> 次，使用 <span class="arithmatex">\(O(2|E|)\)</span> 时间；总体使用 <span class="arithmatex">\(O(|V| + |E|)\)</span> 时间。</p>
 <p><strong>空间复杂度：</strong> 列表 <code>res</code> ，哈希表 <code>visited</code> ，队列 <code>que</code> 中的顶点数量最多为 <span class="arithmatex">\(|V|\)</span> ，使用 <span class="arithmatex">\(O(|V|)\)</span> 空间。</p>
 <h2 id="932">9.3.2 &nbsp; 深度优先遍历<a class="headerlink" href="#932" title="Permanent link">&para;</a></h2>
-<p><strong>深度优先遍历是一种优先走到底、无路可走再回头的遍历方式</strong>。如下图所示，从左上角顶点出发，访问当前顶点的某个邻接顶点，直到走到尽头时返回，再继续走到尽头并返回，以此类推，直至所有顶点遍历完成。</p>
+<p><strong>深度优先遍历是一种优先走到底、无路可走再回头的遍历方式</strong>。如图 9-11 所示，从左上角顶点出发，访问当前顶点的某个邻接顶点，直到走到尽头时返回，再继续走到尽头并返回，以此类推，直至所有顶点遍历完成。</p>
 <p><img alt="图的深度优先遍历" src="../graph_traversal.assets/graph_dfs.png" /></p>
-<p align="center"> 图：图的深度优先遍历 </p>
+<p align="center"> 图 9-11 &nbsp; 图的深度优先遍历 </p>
 
 <h3 id="1_1">1. &nbsp; 算法实现<a class="headerlink" href="#1_1" title="Permanent link">&para;</a></h3>
 <p>这种“走到尽头再返回”的算法范式通常基于递归来实现。与广度优先遍历类似，在深度优先遍历中我们也需要借助一个哈希表 <code>visited</code> 来记录已被访问的顶点，以避免重复访问顶点。</p>
@@ -4233,7 +4233,7 @@
 </div>
 </div>
 </div>
-<p>深度优先遍历的算法流程如下图所示，其中：</p>
+<p>深度优先遍历的算法流程如图 9-12 所示，其中：</p>
 <ul>
 <li><strong>直虚线代表向下递推</strong>，表示开启了一个新的递归方法来访问新顶点。</li>
 <li><strong>曲虚线代表向上回溯</strong>，表示此递归方法已经返回，回溯到了开启此递归方法的位置。</li>
@@ -4276,7 +4276,7 @@
 </div>
 </div>
 </div>
-<p align="center"> 图：图的深度优先遍历步骤 </p>
+<p align="center"> 图 9-12 &nbsp; 图的深度优先遍历步骤 </p>
 
 <div class="admonition question">
 <p class="admonition-title">深度优先遍历的序列是否唯一？</p>