build

chapter_array_and_linkedlist/array.md

@@ -98,6 +98,12 @@ comments: true
     var nums = [_]i32{ 1, 3, 2, 5, 4 };
     ```
 
+=== "Dart"
+
+    ```dart title="array.dart"
+
+    ```
+
 ## 4.1.1.   数组优点
 
 **在数组中访问元素非常高效**。由于数组元素被存储在连续的内存空间中，因此计算数组元素的内存地址非常容易。给定数组首个元素的地址和某个元素的索引，我们可以使用以下公式计算得到该元素的内存地址，从而直接访问此元素。
@@ -249,6 +255,19 @@ elementAddr = firtstElementAddr + elementLength * elementIndex
     }
     ```
 
+=== "Dart"
+
+    ```dart title="array.dart"
+    /* 随机返回一个 数组元素 */
+    int randomAccess(List nums) {
+      // 在区间[0,size) 中随机抽取一个数字
+      int randomIndex = Random().nextInt(nums.length);
+      // 获取并返回随机元素
+      int randomNum = nums[randomIndex];
+      return randomNum;
+    }
+    ```
+
 ## 4.1.2.   数组缺点
 
 **数组在初始化后长度不可变**。由于系统无法保证数组之后的内存空间是可用的，因此数组长度无法扩展。而若希望扩容数组，则需新建一个数组，然后把原数组元素依次拷贝到新数组，在数组很大的情况下，这是非常耗时的。
@@ -420,6 +439,23 @@ elementAddr = firtstElementAddr + elementLength * elementIndex
     }
     ```
 
+=== "Dart"
+
+    ```dart title="array.dart"
+    /* 扩展数组长度 */
+    List extend(List nums, int enlarge) {
+      // 初始化一个扩展长度后的数组，元素初始值为0
+      List<int> res = List.filled(nums.length + enlarge, 0);
+
+      // 将原数组中的所有元素复制到新数组
+      for (var i = 0; i < nums.length; i++) {
+        res[i] = nums[i];
+      }
+      // 返回扩展后的新数组
+      return res;
+    }
+    ```
+
 **数组中插入或删除元素效率低下**。如果我们想要在数组中间插入一个元素，由于数组元素在内存中是“紧挨着的”，它们之间没有空间再放任何数据。因此，我们不得不将此索引之后的所有元素都向后移动一位，然后再把元素赋值给该索引。
 
 ![数组插入元素](array.assets/array_insert_element.png)
@@ -550,6 +586,35 @@ elementAddr = firtstElementAddr + elementLength * elementIndex
     }
     ```
 
+=== "Zig"
+
+    ```zig title="array.zig"
+    // 在数组的索引 index 处插入元素 num
+    fn insert(nums: []i32, num: i32, index: usize) void {
+        // 把索引 index 以及之后的所有元素向后移动一位
+        var i = nums.len - 1;
+        while (i > index) : (i -= 1) {
+            nums[i] = nums[i - 1];
+        }
+        // 将 num 赋给 index 处元素
+        nums[index] = num;
+    }
+    ```
+
+=== "Dart"
+
+    ```dart title="array.dart"
+    /* 在数组的索引 index 处插入元素 num */
+    void insert(List nums, int num, int index) {
+      // 把索引index以及之后的所有元素向后移动一位
+      for (var i = nums.length - 1; i > index; i--) {
+        nums[i] = nums[i - 1];
+      }
+      // 将 num 赋给 index 处元素
+      nums[index] = num;
+    }
+    ```
+
 删除元素也类似，如果我们想要删除索引 $i$ 处的元素，则需要把索引 $i$ 之后的元素都向前移动一位。值得注意的是，删除元素后，原先末尾的元素变得“无意义”了，我们无需特意去修改它。
 
 ![数组删除元素](array.assets/array_remove_element.png)
@@ -677,6 +742,17 @@ elementAddr = firtstElementAddr + elementLength * elementIndex
     }
     ```
 
+=== "Dart"
+
+    ```dart title="array.dart"
+    /* 删除索引 index 处元素 */
+    void remove(List nums, int index) {
+      for (var i = index; i < nums.length - 1; i++) {
+        nums[i] = nums[i + 1];
+      }
+    }
+    ```
+
 总结来看，数组的插入与删除操作有以下缺点：
 
 - **时间复杂度高**：数组的插入和删除的平均时间复杂度均为 $O(n)$ ，其中 $n$ 为数组长度。
@@ -852,6 +928,27 @@ elementAddr = firtstElementAddr + elementLength * elementIndex
     }
     ```
 
+=== "Dart"
+
+    ```dart title="array.dart"
+    /* 遍历数组元素 */
+    void traverse(List nums) {
+      var count = 0;
+      // 通过索引遍历数组
+      for (var i = 0; i < nums.length; i++) {
+        count++;
+      }
+      // 直接遍历数组
+      for (var num in nums) {
+        count++;
+      }
+      // 通过forEach方法遍历数组
+      nums.forEach((element) {
+        count++;
+      });
+    }
+    ```
+
 **数组查找**。通过遍历数组，查找数组内的指定元素，并输出对应索引。
 
 === "Java"
@@ -985,6 +1082,18 @@ elementAddr = firtstElementAddr + elementLength * elementIndex
     }
     ```
 
+=== "Dart"
+
+    ```dart title="array.dart"
+    /* 在数组中查找指定元素 */
+    int find(List nums, int target) {
+      for (var i = 0; i < nums.length; i++) {
+        if (nums[i] == target) return i;
+      }
+      return -1;
+    }
+    ```
+
 ## 4.1.4. &nbsp; 数组典型应用
 
 **随机访问**。如果我们想要随机抽取一些样本，那么可以用数组存储，并生成一个随机序列，根据索引实现样本的随机抽取。

chapter_array_and_linkedlist/linked_list.md

@@ -159,6 +159,12 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title=""
+
+    ```
+
 !!! question "尾节点指向什么？"
 
     我们将链表的最后一个节点称为「尾节点」，其指向的是“空”，在 Java, C++, Python 中分别记为 $\text{null}$ , $\text{nullptr}$ , $\text{None}$ 。在不引起歧义的前提下，本书都使用 $\text{null}$ 来表示空。
@@ -339,6 +345,12 @@ comments: true
     n3.next = &n4;
     ```
 
+=== "Dart"
+
+    ```dart title="linked_list.dart"
+
+    ```
+
 ## 4.2.1.   链表优点
 
 **链表中插入与删除节点的操作效率高**。例如，如果我们想在链表中间的两个节点 `A` , `B` 之间插入一个新节点 `P` ，我们只需要改变两个节点指针即可，时间复杂度为 $O(1)$ ；相比之下，数组的插入操作效率要低得多。
@@ -456,6 +468,17 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="linked_list.dart"
+    /* 在链表的节点 n0 之后插入节点 P */
+    void insert(ListNode n0, ListNode P) {
+      ListNode? n1 = n0.next;
+      P.next = n1;
+      n0.next = P;
+    }
+    ```
+
 在链表中删除节点也非常方便，只需改变一个节点的指针即可。如下图所示，尽管在删除操作完成后，节点 `P` 仍然指向 `n1` ，但实际上 `P` 已经不再属于此链表，因为遍历此链表时无法访问到 `P` 。
 
 ![链表删除节点](linked_list.assets/linkedlist_remove_node.png)
@@ -608,6 +631,18 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="linked_list.dart"
+    /* 删除链表的节点 n0 之后的首个节点 */
+    void remove(ListNode n0) {
+      if (n0.next == null) return;
+      ListNode P = n0.next!;
+      ListNode? n1 = P.next;
+      n0.next = n1;
+    }
+    ```
+
 ## 4.2.2.   链表缺点
 
 **链表访问节点效率较低**。如上节所述，数组可以在 $O(1)$ 时间下访问任意元素。然而，链表无法直接访问任意节点，这是因为系统需要从头节点出发，逐个向后遍历直至找到目标节点。例如，若要访问链表索引为 `index`（即第 `index + 1` 个）的节点，则需要向后遍历 `index` 轮。
@@ -755,6 +790,19 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="linked_list.dart"
+    /* 访问链表中索引为 index 的节点 */
+    ListNode? access(ListNode? head, int index) {
+      for (var i = 0; i < index; i++) {
+        if (head == null) return null;
+        head = head.next;
+      }
+      return head;
+    }
+    ```
+
 **链表的内存占用较大**。链表以节点为单位，每个节点除了保存值之外，还需额外保存指针（引用）。这意味着在相同数据量的情况下，链表比数组需要占用更多的内存空间。
 
 ## 4.2.3. &nbsp; 链表常用操作
@@ -924,6 +972,23 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="linked_list.dart"
+    /* 在链表中查找值为 target 的首个节点 */
+    int find(ListNode? head, int target) {
+      int index = 0;
+      while (head != null) {
+        if (head.val == target) {
+          return index;
+        }
+        head = head.next;
+        index++;
+      }
+      return -1;
+    }
+    ```
+
 ## 4.2.4. &nbsp; 常见链表类型
 
 **单向链表**。即上述介绍的普通链表。单向链表的节点包含值和指向下一节点的指针（引用）两项数据。我们将首个节点称为头节点，将最后一个节点成为尾节点，尾节点指向 $\text{null}$ 。
@@ -1091,6 +1156,12 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title=""
+
+    ```
+
 ![常见链表种类](linked_list.assets/linkedlist_common_types.png)
 
 <p align="center"> Fig. 常见链表种类 </p>

chapter_array_and_linkedlist/list.md

@@ -110,6 +110,12 @@ comments: true
     try list.appendSlice(&[_]i32{ 1, 3, 2, 5, 4 });
     ```
 
+=== "Dart"
+
+    ```dart title="list.dart"
+
+    ```
+
 **访问与更新元素**。由于列表的底层数据结构是数组，因此可以在 $O(1)$ 时间内访问和更新元素，效率很高。
 
 === "Java"
@@ -208,6 +214,12 @@ comments: true
     list.items[1] = 0; // 将索引 1 处的元素更新为 0  
     ```
 
+=== "Dart"
+
+    ```dart title="list.dart"
+
+    ```
+
 **在列表中添加、插入、删除元素**。相较于数组，列表可以自由地添加与删除元素。在列表尾部添加元素的时间复杂度为 $O(1)$ ，但插入和删除元素的效率仍与数组相同，时间复杂度为 $O(N)$ 。
 
 === "Java"
@@ -396,6 +408,12 @@ comments: true
     _ = list.orderedRemove(3); // 删除索引 3 处的元素
     ```
 
+=== "Dart"
+
+    ```dart title="list.dart"
+
+    ```
+
 **遍历列表**。与数组一样，列表可以根据索引遍历，也可以直接遍历各元素。
 
 === "Java"
@@ -549,6 +567,12 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="list.dart"
+
+    ```
+
 **拼接两个列表**。给定一个新列表 `list1` ，我们可以将该列表拼接到原列表的尾部。
 
 === "Java"
@@ -632,6 +656,12 @@ comments: true
     try list.insertSlice(list.items.len, list1.items); // 将列表 list1 拼接到 list 之后
     ```
 
+=== "Dart"
+
+    ```dart title="list.dart"
+
+    ```
+
 **排序列表**。排序也是常用的方法之一。完成列表排序后，我们便可以使用在数组类算法题中经常考察的「二分查找」和「双指针」算法。
 
 === "Java"
@@ -703,6 +733,12 @@ comments: true
     std.sort.sort(i32, list.items, {}, comptime std.sort.asc(i32));
     ```
 
+=== "Dart"
+
+    ```dart title="list.dart"
+
+    ```
+
 ## 4.3.2.   列表实现 *
 
 为了帮助加深对列表的理解，我们在此提供一个简易版列表实现。需要关注三个核心点：
@@ -1756,3 +1792,96 @@ comments: true
         };
     }
     ```
+
+=== "Dart"
+
+    ```dart title="my_list.dart"
+    /* 列表类简易实现 */
+    class MyList {
+      late List<int> _nums; // 数组（存储列表元素）
+      int _capacity = 10; // 列表容量
+      int _size = 0; // 列表长度（即当前元素数量）
+      int _extendRatio = 2; // 每次列表扩容的倍数
+
+      /* 构造方法 */
+      MyList() {
+        _nums = List.filled(_capacity, 0);
+      }
+
+      /* 获取列表长度（即当前元素数量）*/
+      int size() => _size;
+
+      /* 获取列表容量 */
+      int capacity() => _capacity;
+
+      /* 访问元素 */
+      int get(int index) {
+        if (index >= _size) throw RangeError('索引越界');
+        return _nums[index];
+      }
+
+      /* 更新元素 */
+      void set(int index, int num) {
+        if (index >= _size) throw RangeError('索引越界');
+        _nums[index] = num;
+      }
+
+      /* 尾部添加元素 */
+      void add(int num) {
+        // 元素数量超出容量时，触发扩容机制
+        if (_size == _capacity) extendCapacity();
+        _nums[_size] = num;
+        // 更新元素数量
+        _size++;
+      }
+
+      /* 中间插入元素 */
+      void insert(int index, int num) {
+        if (index >= _size) throw RangeError('索引越界');
+        // 元素数量超出容量时，触发扩容机制
+        if (_size == _capacity) extendCapacity();
+        // 将索引 index 以及之后的元素都向后移动一位
+        for (var j = _size - 1; j >= index; j--) {
+          _nums[j + 1] = _nums[j];
+        }
+        _nums[index] = num;
+        // 更新元素数量
+        _size++;
+      }
+
+      /* 删除元素 */
+      int remove(int index) {
+        if (index >= _size) throw RangeError('索引越界');
+        int num = _nums[index];
+        // 将索引 index 之后的元素都向前移动一位
+        for (var j = index; j < _size - 1; j++) {
+          _nums[j] = _nums[j + 1];
+        }
+        // 更新元素数量
+        _size--;
+        // 返回被删除元素
+        return num;
+      }
+
+      /* 列表扩容 */
+      void extendCapacity() {
+        // 新建一个长度为 _capacity * _extendRatio 的数组
+        final _newNums = List.filled(_capacity * _extendRatio, 0);
+        // 将原数组拷贝到新数组
+        List.copyRange(_newNums, 0, _nums);
+        // 更新 _nums 的引用
+        _nums = _newNums;
+        // 更新列表容量
+        _capacity = _nums.length;
+      }
+
+      /* 将列表转换为数组 */
+      List<int> toArray() {
+        List<int> nums = [];
+        for (var i = 0; i < _size; i++) {
+          nums.add(get(i));
+        }
+        return nums;
+      }
+    }
+    ```

chapter_backtracking/backtracking_algorithm.md

@@ -159,6 +159,12 @@ comments: true
     [class]{}-[func]{preOrder}
     ```
 
+=== "Dart"
+
+    ```dart title="preorder_traversal_i_compact.dart"
+    [class]{}-[func]{preOrder}
+    ```
+
 ![在前序遍历中搜索节点](backtracking_algorithm.assets/preorder_find_nodes.png)
 
 <p align="center"> Fig. 在前序遍历中搜索节点 </p>
@@ -358,6 +364,12 @@ comments: true
     [class]{}-[func]{preOrder}
     ```
 
+=== "Dart"
+
+    ```dart title="preorder_traversal_ii_compact.dart"
+    [class]{}-[func]{preOrder}
+    ```
+
 在每次“尝试”中，我们通过将当前节点添加进 `path` 来记录路径；而在“回退”前，我们需要将该节点从 `path` 中弹出，**以恢复本次尝试之前的状态**。换句话说，**我们可以将尝试和回退理解为“前进”与“撤销”**，两个操作是互为相反的。
 
 === "<1>"
@@ -592,6 +604,12 @@ comments: true
     [class]{}-[func]{preOrder}
     ```
 
+=== "Dart"
+
+    ```dart title="preorder_traversal_iii_compact.dart"
+    [class]{}-[func]{preOrder}
+    ```
+
 剪枝是一个非常形象的名词。在搜索过程中，**我们利用约束条件“剪掉”了不满足约束条件的搜索分支**，避免许多无意义的尝试，从而提升搜索效率。
 
 ![根据约束条件剪枝](backtracking_algorithm.assets/preorder_find_constrained_paths.png)
@@ -848,6 +866,12 @@ comments: true
 
     ```
 
+=== "Dart"
+
+    ```dart title=""
+
+    ```
+
 下面，我们尝试基于此框架来解决例题三。在例题三中，状态 `state` 是节点遍历路径，选择 `choices` 是当前节点的左子节点和右子节点，结果 `res` 是路径列表，实现代码如下所示。
 
 === "Java"
@@ -1289,6 +1313,22 @@ comments: true
     [class]{}-[func]{backtrack}
     ```
 
+=== "Dart"
+
+    ```dart title="preorder_traversal_iii_template.dart"
+    [class]{}-[func]{isSolution}
+
+    [class]{}-[func]{recordSolution}
+
+    [class]{}-[func]{isValid}
+
+    [class]{}-[func]{makeChoice}
+
+    [class]{}-[func]{undoChoice}
+
+    [class]{}-[func]{backtrack}
+    ```
+
 相较于基于前序遍历的实现代码，基于回溯算法框架的实现代码虽然显得啰嗦，但通用性更好。实际上，**所有回溯问题都可以在该框架下解决**。我们需要根据具体问题来定义 `state` 和 `choices` ，并实现框架中的各个方法。
 
 ## 12.1.5. &nbsp; 典型例题

chapter_backtracking/n_queens_problem.md

@@ -488,6 +488,14 @@ comments: true
     [class]{}-[func]{nQueens}
     ```
 
+=== "Dart"
+
+    ```dart title="n_queens.dart"
+    [class]{}-[func]{backtrack}
+
+    [class]{}-[func]{nQueens}
+    ```
+
 ## 12.3.1.   复杂度分析
 
 逐行放置 $n$ 次，考虑列约束，则从第一行到最后一行分别有 $n, n-1, \cdots, 2, 1$ 个选择，**因此时间复杂度为 $O(n!)$** 。实际上，根据对角线约束的剪枝也能够大幅地缩小搜索空间，因而搜索效率往往优于以上时间复杂度。

chapter_backtracking/permutations_problem.md

@@ -336,6 +336,14 @@ comments: true
     [class]{}-[func]{permutationsI}
     ```
 
+=== "Dart"
+
+    ```dart title="permutations_i.dart"
+    [class]{}-[func]{backtrack}
+
+    [class]{}-[func]{permutationsI}
+    ```
+
 需要重点关注的是，我们引入了一个布尔型数组 `selected` ，它的长度与输入数组长度相等，其中 `selected[i]` 表示 `choices[i]` 是否已被选择。我们利用 `selected` 避免某个元素被重复选择，从而实现剪枝。
 
 如下图所示，假设我们第一轮选择 1 ，第二轮选择 3 ，第三轮选择 2 ，则需要在第二轮剪掉元素 1 的分支，在第三轮剪掉元素 1, 3 的分支。**从本质上理解，此剪枝操作可将搜索空间大小从 $O(n^n)$ 降低至 $O(n!)$** 。
@@ -683,6 +691,14 @@ comments: true
     [class]{}-[func]{permutationsII}
     ```
 
+=== "Dart"
+
+    ```dart title="permutations_ii.dart"
+    [class]{}-[func]{backtrack}
+
+    [class]{}-[func]{permutationsII}
+    ```
+
 注意，虽然 `selected` 和 `duplicated` 都起到剪枝的作用，但他们剪掉的是不同的分支：
 
 - **剪枝条件一**：整个搜索过程中只有一个 `selected` 。它记录的是当前状态中包含哪些元素，作用是避免某个元素在 `state` 中重复出现。

chapter_computational_complexity/space_complexity.md

@@ -264,6 +264,12 @@ comments: true
 
     ```
 
+=== "Dart"
+
+    ```dart title=""
+
+    ```
+
 ## 2.3.2.   推算方法
 
 空间复杂度的推算方法与时间复杂度大致相同，只是将统计对象从“计算操作数量”转为“使用空间大小”。与时间复杂度不同的是，**我们通常只关注「最差空间复杂度」**，这是因为内存空间是一项硬性要求，我们必须确保在所有输入数据下都有足够的内存空间预留。
@@ -386,6 +392,12 @@ comments: true
 
     ```
 
+=== "Dart"
+
+    ```dart title=""
+
+    ```
+
 **在递归函数中，需要注意统计栈帧空间**。例如，函数 `loop()` 在循环中调用了 $n$ 次 `function()` ，每轮中的 `function()` 都返回并释放了栈帧空间，因此空间复杂度仍为 $O(1)$ 。而递归函数 `recur()` 在运行过程中会同时存在 $n$ 个未返回的 `recur()` ，从而占用 $O(n)$ 的栈帧空间。
 
 === "Java"
@@ -585,6 +597,12 @@ comments: true
 
     ```
 
+=== "Dart"
+
+    ```dart title=""
+
+    ```
+
 ## 2.3.3.   常见类型
 
 设输入数据大小为 $n$ ，常见的空间复杂度类型有（从低到高排列）
@@ -826,6 +844,27 @@ $$
     }
     ```
 
+=== "Dart"
+
+    ```dart title="space_complexity.dart"
+    /* 常数阶 */
+    void constant(int n) {
+      // 常量、变量、对象占用 O(1) 空间
+      final int a = 0;
+      int b = 0;
+
+      List<int> nums = List.filled(10000, 0);
+      // 循环中的变量占用 O(1) 空间
+      for (var i = 0; i < n; i++) {
+        int c = 0;
+      }
+      // 循环中的函数占用 O(1) 空间
+      for (var i = 0; i < n; i++) {
+        function();
+      }
+    }
+    ```
+
 ### 线性阶 $O(n)$
 
 线性阶常见于元素数量与 $n$ 成正比的数组、链表、栈、队列等。
@@ -1051,6 +1090,26 @@ $$
     }
     ```
 
+=== "Dart"
+
+    ```dart title="space_complexity.dart"
+    /* 线性阶 */
+    void linear(int n) {
+      // 长度为 n 的数组占用 O(n) 空间
+      List<int> nums = List.filled(n, 0);
+      // 长度为 n 的列表占用 O(n) 空间
+      List<ListNode> nodes = [];
+      for (var i = 0; i < n; i++) {
+        nodes.add(ListNode(i));
+      }
+      // 长度为 n 的哈希表占用 O(n) 空间
+      Map<int, String> map = HashMap();
+      for (var i = 0; i < n; i++) {
+        map.putIfAbsent(i, () => i.toString());
+      }
+    }
+    ```
+
 以下递归函数会同时存在 $n$ 个未返回的 `algorithm()` 函数，使用 $O(n)$ 大小的栈帧空间。
 
 === "Java"
@@ -1170,6 +1229,17 @@ $$
     }
     ```
 
+=== "Dart"
+
+    ```dart title="space_complexity.dart"
+    /* 线性阶（递归实现） */
+    void linearRecur(int n) {
+      print('递归 n = $n');
+      if (n == 1) return;
+      linearRecur(n - 1);
+    }
+    ```
+
 ![递归函数产生的线性阶空间复杂度](space_complexity.assets/space_complexity_recursive_linear.png)
 
 <p align="center"> Fig. 递归函数产生的线性阶空间复杂度 </p>
@@ -1351,6 +1421,26 @@ $$
     }
     ```
 
+=== "Dart"
+
+    ```dart title="space_complexity.dart"
+    /* 平方阶 */
+    void quadratic(int n) {
+      // 矩阵占用 O(n^2) 空间
+      List<List<int>> numMatrix = List.generate(n, (_) => List.filled(n, 0));
+      // 二维列表占用 O(n^2) 空间
+      List<List<int>> numList = [];
+
+      for (var i = 0; i < n; i++) {
+        List<int> tmp = [];
+        for (int j = 0; j < n; j++) {
+          tmp.add(0);
+        }
+        numList.add(tmp);
+      }
+    }
+    ```
+
 在以下递归函数中，同时存在 $n$ 个未返回的 `algorithm()` ，并且每个函数中都初始化了一个数组，长度分别为 $n, n-1, n-2, ..., 2, 1$ ，平均长度为 $\frac{n}{2}$ ，因此总体占用 $O(n^2)$ 空间。
 
 === "Java"
@@ -1484,6 +1574,18 @@ $$
     }
     ```
 
+=== "Dart"
+
+    ```dart title="space_complexity.dart"
+    /* 平方阶（递归实现） */
+    int quadraticRecur(int n) {
+      if (n <= 0) return 0;
+      List<int> nums = List.filled(n, 0);
+      print('递归 n = $n 中的 nums 长度 = ${nums.length}');
+      return quadraticRecur(n - 1);
+    }
+    ```
+
 ![递归函数产生的平方阶空间复杂度](space_complexity.assets/space_complexity_recursive_quadratic.png)
 
 <p align="center"> Fig. 递归函数产生的平方阶空间复杂度 </p>
@@ -1630,6 +1732,19 @@ $$
     }
     ```
 
+=== "Dart"
+
+    ```dart title="space_complexity.dart"
+    /* 指数阶（建立满二叉树） */
+    TreeNode? buildTree(int n) {
+      if (n == 0) return null;
+      TreeNode root = TreeNode(0);
+      root.left = buildTree(n - 1);
+      root.right = buildTree(n - 1);
+      return root;
+    }
+    ```
+
 ![满二叉树产生的指数阶空间复杂度](space_complexity.assets/space_complexity_exponential.png)
 
 <p align="center"> Fig. 满二叉树产生的指数阶空间复杂度 </p>

chapter_computational_complexity/time_complexity.md

@@ -159,6 +159,12 @@ $$
 
     ```
 
+=== "Dart"
+
+    ```dart title=""
+
+    ```
+
 然而实际上，**统计算法的运行时间既不合理也不现实**。首先，我们不希望预估时间和运行平台绑定，因为算法需要在各种不同的平台上运行。其次，我们很难获知每种操作的运行时间，这给预估过程带来了极大的难度。
 
 ## 2.2.2.   统计时间增长趋势
@@ -369,6 +375,12 @@ $$
 
     ```
 
+=== "Dart"
+
+    ```dart title=""
+
+    ```
+
 ![算法 A, B, C 的时间增长趋势](time_complexity.assets/time_complexity_simple_example.png)
 
 <p align="center"> Fig. 算法 A, B, C 的时间增长趋势 </p>
@@ -521,6 +533,12 @@ $$
 
     ```
 
+=== "Dart"
+
+    ```dart title=""
+
+    ```
+
 $T(n)$ 是一次函数，说明时间增长趋势是线性的，因此可以得出时间复杂度是线性阶。
 
 我们将线性阶的时间复杂度记为 $O(n)$ ，这个数学符号称为「大 $O$ 记号 Big-$O$ Notation」，表示函数 $T(n)$ 的「渐近上界 Asymptotic Upper Bound」。
@@ -747,6 +765,12 @@ $$
 
     ```
 
+=== "Dart"
+
+    ```dart title=""
+
+    ```
+
 ### 2) 判断渐近上界
 
 **时间复杂度由多项式 $T(n)$ 中最高阶的项来决定**。这是因为在 $n$ 趋于无穷大时，最高阶的项将发挥主导作用，其他项的影响都可以被忽略。
@@ -924,6 +948,20 @@ $$
     }
     ```
 
+=== "Dart"
+
+    ```dart title="time_complexity.dart"
+    /* 常数阶 */
+    int constant(int n) {
+      int count = 0;
+      int size = 100000;
+      for (var i = 0; i < size; i++) {
+        count++;
+      }
+      return count;
+    }
+    ```
+
 ### 线性阶 $O(n)$
 
 线性阶的操作数量相对于输入数据大小以线性级别增长。线性阶通常出现在单层循环中。
@@ -1050,6 +1088,19 @@ $$
     }
     ```
 
+=== "Dart"
+
+    ```dart title="time_complexity.dart"
+    /* 线性阶 */
+    int linear(int n) {
+      int count = 0;
+      for (var i = 0; i < n; i++) {
+        count++;
+      }
+      return count;
+    }
+    ```
+
 遍历数组和遍历链表等操作的时间复杂度均为 $O(n)$ ，其中 $n$ 为数组或链表的长度。
 
 !!! question "如何确定输入数据大小 $n$ ？"
@@ -1194,6 +1245,20 @@ $$
     }
     ```
 
+=== "Dart"
+
+    ```dart title="time_complexity.dart"
+    /* 线性阶（遍历数组） */
+    int arrayTraversal(List<int> nums) {
+      int count = 0;
+      // 循环次数与数组长度成正比
+      for (var num in nums) {
+        count++;
+      }
+      return count;
+    }
+    ```
+
 ### 平方阶 $O(n^2)$
 
 平方阶的操作数量相对于输入数据大小以平方级别增长。平方阶通常出现在嵌套循环中，外层循环和内层循环都为 $O(n)$ ，因此总体为 $O(n^2)$ 。
@@ -1357,6 +1422,22 @@ $$
     }
     ```
 
+=== "Dart"
+
+    ```dart title="time_complexity.dart"
+    /* 平方阶 */
+    int quadratic(int n) {
+      int count = 0;
+      // 循环次数与数组长度成平方关系
+      for (int i = 0; i < n; i++) {
+        for (int j = 0; j < n; j++) {
+          count++;
+        }
+      }
+      return count;
+    }
+    ```
+
 ![常数阶、线性阶、平方阶的时间复杂度](time_complexity.assets/time_complexity_constant_linear_quadratic.png)
 
 <p align="center"> Fig. 常数阶、线性阶、平方阶的时间复杂度 </p>
@@ -1595,6 +1676,29 @@ $$
     }
     ```
 
+=== "Dart"
+
+    ```dart title="time_complexity.dart"
+    /* 平方阶（冒泡排序） */
+    int bubbleSort(List<int> nums) {
+      int count = 0; // 计数器
+      // 外循环：未排序区间为 [0, i]
+      for (var i = nums.length - 1; i > 0; i--) {
+        // 内循环：将未排序区间 [0, i] 中的最大元素交换至该区间的最右端 
+        for (var j = 0; j < i; j++) {
+          if (nums[j] > nums[j + 1]) {
+            // 交换 nums[j] 与 nums[j + 1]
+            int tmp = nums[j];
+            nums[j] = nums[j + 1];
+            nums[j + 1] = tmp;
+            count += 3; // 元素交换包含 3 个单元操作
+          }
+        }
+      }
+      return count;
+    }
+    ```
+
 ### 指数阶 $O(2^n)$
 
 !!! note
@@ -1788,6 +1892,24 @@ $$
     }
     ```
 
+=== "Dart"
+
+    ```dart title="time_complexity.dart"
+    /* 指数阶（循环实现） */
+    int exponential(int n) {
+      int count = 0, base = 1;
+      // cell 每轮一分为二，形成数列 1, 2, 4, 8, ..., 2^(n-1)
+      for (var i = 0; i < n; i++) {
+        for (var j = 0; j < base; j++) {
+          count++;
+        }
+        base *= 2;
+      }
+      // count = 1 + 2 + 4 + 8 + .. + 2^(n-1) = 2^n - 1
+      return count;
+    }
+    ```
+
 ![指数阶的时间复杂度](time_complexity.assets/time_complexity_exponential.png)
 
 <p align="center"> Fig. 指数阶的时间复杂度 </p>
@@ -1901,6 +2023,16 @@ $$
     }
     ```
 
+=== "Dart"
+
+    ```dart title="time_complexity.dart"
+    /* 指数阶（递归实现） */
+    int expRecur(int n) {
+      if (n == 1) return 1;
+      return expRecur(n - 1) + expRecur(n - 1) + 1;
+    }
+    ```
+
 ### 对数阶 $O(\log n)$
 
 与指数阶相反，对数阶反映了“每轮缩减到一半的情况”。对数阶仅次于常数阶，时间增长缓慢，是理想的时间复杂度。
@@ -2050,6 +2182,20 @@ $$
     }
     ```
 
+=== "Dart"
+
+    ```dart title="time_complexity.dart"
+    /* 对数阶（循环实现） */
+    int logarithmic(num n) {
+      int count = 0;
+      while (n > 1) {
+        n = n / 2;
+        count++;
+      }
+      return count;
+    }
+    ```
+
 ![对数阶的时间复杂度](time_complexity.assets/time_complexity_logarithmic.png)
 
 <p align="center"> Fig. 对数阶的时间复杂度 </p>
@@ -2163,6 +2309,16 @@ $$
     }
     ```
 
+=== "Dart"
+
+    ```dart title="time_complexity.dart"
+    /* 对数阶（递归实现） */
+    int logRecur(num n) {
+      if (n <= 1) return 0;
+      return logRecur(n / 2) + 1;
+    }
+    ```
+
 ### 线性对数阶 $O(n \log n)$
 
 线性对数阶常出现于嵌套循环中，两层循环的时间复杂度分别为 $O(\log n)$ 和 $O(n)$ 。
@@ -2320,6 +2476,20 @@ $$
     }
     ```
 
+=== "Dart"
+
+    ```dart title="time_complexity.dart"
+    /* 线性对数阶 */
+    int linearLogRecur(num n) {
+      if (n <= 1) return 1;
+      int count = linearLogRecur(n / 2) + linearLogRecur(n / 2);
+      for (var i = 0; i < n; i++) {
+        count++;
+      }
+      return count;
+    }
+    ```
+
 ![线性对数阶的时间复杂度](time_complexity.assets/time_complexity_logarithmic_linear.png)
 
 <p align="center"> Fig. 线性对数阶的时间复杂度 </p>
@@ -2490,6 +2660,21 @@ $$
     }
     ```
 
+=== "Dart"
+
+    ```dart title="time_complexity.dart"
+    /* 阶乘阶（递归实现） */
+    int factorialRecur(int n) {
+      if (n == 0) return 1;
+      int count = 0;
+      // 从 1 个分裂出 n 个
+      for (var i = 0; i < n; i++) {
+        count += factorialRecur(n - 1);
+      }
+      return count;
+    }
+    ```
+
 ![阶乘阶的时间复杂度](time_complexity.assets/time_complexity_factorial.png)
 
 <p align="center"> Fig. 阶乘阶的时间复杂度 </p>
@@ -2800,6 +2985,33 @@ $$
     }
     ```
 
+=== "Dart"
+
+    ```dart title="worst_best_time_complexity.dart"
+    /* 生成一个数组，元素为 { 1, 2, ..., n }，顺序被打乱 */
+    List<int> randomNumbers(int n) {
+      final nums = List.filled(n, 0);
+      // 生成数组 nums = { 1, 2, 3, ..., n }
+      for (var i = 0; i < n; i++) {
+        nums[i] = i + 1;
+      }
+      // 随机打乱数组元素
+      nums.shuffle();
+
+      return nums;
+    }
+
+    /* 查找数组 nums 中数字 1 所在索引 */
+    int findOne(List<int> nums) {
+      for (var i = 0; i < nums.length; i++) {
+        // 当元素 1 在数组头部时，达到最佳时间复杂度 O(1)
+        // 当元素 1 在数组尾部时，达到最差时间复杂度 O(n)
+        if (nums[i] == 1) return i;
+      }
+      return -1;
+    }
+    ```
+
 !!! tip
 
     实际应用中我们很少使用「最佳时间复杂度」，因为通常只有在很小概率下才能达到，可能会带来一定的误导性。相反，「最差时间复杂度」更为实用，因为它给出了一个“效率安全值”，让我们可以放心地使用算法。

chapter_data_structure/basic_data_types.md

@@ -133,3 +133,9 @@ comments: true
     ```zig title=""
     
     ```
+
+=== "Dart"
+
+    ```dart title=""
+
+    ```

chapter_graph/graph_operations.md

@@ -762,6 +762,95 @@ comments: true
 
     ```
 
+=== "Dart"
+
+    ```dart title="graph_adjacency_matrix.dart"
+    /* 基于邻接矩阵实现的无向图类 */
+    class GraphAdjMat {
+      List<int> vertices = []; // 顶点元素，元素代表“顶点值”，索引代表“顶点索引”
+      List<List<int>> adjMat = []; //邻接矩阵，行列索引对应“顶点索引”
+
+      /* 构造方法 */
+      GraphAdjMat(List<int> vertices, List<List<int>> edges) {
+        this.vertices = [];
+        this.adjMat = [];
+        // 添加顶点
+        for (int val in vertices) {
+          addVertex(val);
+        }
+        // 添加边
+        // 请注意，edges 元素代表顶点索引，即对应 vertices 元素索引
+        for (List<int> e in edges) {
+          addEdge(e[0], e[1]);
+        }
+      }
+
+      /* 获取顶点数量 */
+      int size() {
+        return vertices.length;
+      }
+
+      /* 添加顶点 */
+      void addVertex(int val) {
+        int n = size();
+        // 向顶点列表中添加新顶点的值
+        vertices.add(val);
+        // 在邻接矩阵中添加一行
+        List<int> newRow = List.filled(n, 0, growable: true);
+        adjMat.add(newRow);
+        // 在邻接矩阵中添加一列
+        for (List<int> row in adjMat) {
+          row.add(0);
+        }
+      }
+
+      /* 删除顶点 */
+      void removeVertex(int index) {
+        if (index >= size()) {
+          throw IndexError;
+        }
+        // 在顶点列表中移除索引 index 的顶点
+        vertices.removeAt(index);
+        // 在邻接矩阵中删除索引 index 的行
+        adjMat.removeAt(index);
+        // 在邻接矩阵中删除索引 index 的列
+        for (List<int> row in adjMat) {
+          row.removeAt(index);
+        }
+      }
+
+      /* 添加边 */
+      // 参数 i, j 对应 vertices 元素索引
+      void addEdge(int i, int j) {
+        // 索引越界与相等处理
+        if (i < 0 || j < 0 || i >= size() || j >= size() || i == j) {
+          throw IndexError;
+        }
+        // 在无向图中，邻接矩阵沿主对角线对称，即满足 (i, j) == (j, i)
+        adjMat[i][j] = 1;
+        adjMat[j][i] = 1;
+      }
+
+      /* 删除边 */
+      // 参数 i, j 对应 vertices 元素索引
+      void removeEdge(int i, int j) {
+        // 索引越界与相等处理
+        if (i < 0 || j < 0 || i >= size() || j >= size() || i == j) {
+          throw IndexError;
+        }
+        adjMat[i][j] = 0;
+        adjMat[j][i] = 0;
+      }
+
+      /* 打印邻接矩阵 */
+      void printAdjMat() {
+        print("顶点列表 = $vertices");
+        print("邻接矩阵 = ");
+        printMatrix(adjMat);
+      }
+    }
+    ```
+
 ## 9.2.2. &nbsp; 基于邻接表的实现
 
 设无向图的顶点总数为 $n$ 、边总数为 $m$ ，则有：
@@ -1451,6 +1540,86 @@ comments: true
     [class]{GraphAdjList}-[func]{}
     ```
 
+=== "Dart"
+
+    ```dart title="graph_adjacency_list.dart"
+    /* 基于邻接表实现的无向图类 */
+    class GraphAdjList {
+      // 邻接表，key: 顶点，value：该顶点的所有邻接顶点
+      Map<Vertex, List<Vertex>> adjList = {};
+
+      /* 构造方法 */
+      GraphAdjList(List<List<Vertex>> edges) {
+        for (List<Vertex> edge in edges) {
+          addVertex(edge[0]);
+          addVertex(edge[1]);
+          addEdge(edge[0], edge[1]);
+        }
+      }
+
+      /* 获取顶点数量 */
+      int size() {
+        return adjList.length;
+      }
+
+      /* 添加边 */
+      void addEdge(Vertex vet1, Vertex vet2) {
+        if (!adjList.containsKey(vet1) ||
+            !adjList.containsKey(vet2) ||
+            vet1 == vet2) {
+          throw ArgumentError;
+        }
+        // 添加边 vet1 - vet2
+        adjList[vet1]!.add(vet2);
+        adjList[vet2]!.add(vet1);
+      }
+
+      /* 删除边 */
+      void removeEdge(Vertex vet1, Vertex vet2) {
+        if (!adjList.containsKey(vet1) ||
+            !adjList.containsKey(vet2) ||
+            vet1 == vet2) {
+          throw ArgumentError;
+        }
+        // 删除边 vet1 - vet2
+        adjList[vet1]!.remove(vet2);
+        adjList[vet2]!.remove(vet1);
+      }
+
+      /* 添加顶点 */
+      void addVertex(Vertex vet) {
+        if (adjList.containsKey(vet)) return;
+        // 在邻接表中添加一个新链表
+        adjList[vet] = [];
+      }
+
+      /* 删除顶点 */
+      void removeVertex(Vertex vet) {
+        if (!adjList.containsKey(vet)) {
+          throw ArgumentError;
+        }
+        // 在邻接表中删除顶点 vet 对应的链表
+        adjList.remove(vet);
+        // 遍历其他顶点的链表，删除所有包含 vet 的边
+        adjList.forEach((key, value) {
+          value.remove(vet);
+        });
+      }
+
+      /* 打印邻接表 */
+      void printAdjList() {
+        print("邻接表 =");
+        adjList.forEach((key, value) {
+          List<int> tmp = [];
+          for (Vertex vertex in value) {
+            tmp.add(vertex.val);
+          }
+          print("${key.val}: $tmp,");
+        });
+      }
+    }
+    ```
+
 ## 9.2.3. &nbsp; 效率对比
 
 设图中共有 $n$ 个顶点和 $m$ 条边，下表为邻接矩阵和邻接表的时间和空间效率对比。

chapter_graph/graph_traversal.md

@@ -287,6 +287,38 @@ BFS 通常借助「队列」来实现。队列具有“先入先出”的性质
     [class]{}-[func]{graphBFS}
     ```
 
+=== "Dart"
+
+    ```dart title="graph_bfs.dart"
+    /* 广度优先遍历 BFS */
+    List<Vertex> graphBFS(GraphAdjList graph, Vertex startVet) {
+      // 使用邻接表来表示图，以便获取指定顶点的所有邻接顶点
+      // 顶点遍历序列
+      List<Vertex> res = [];
+      // 哈希表，用于记录已被访问过的顶点
+      Set<Vertex> visited = {};
+      visited.add(startVet);
+      // 队列用于实现 BFS
+      Queue<Vertex> que = Queue();
+      que.add(startVet);
+      // 以顶点 vet 为起点，循环直至访问完所有顶点
+      while (que.isNotEmpty) {
+        Vertex vet = que.removeFirst(); // 队首顶点出队
+        res.add(vet); // 记录访问顶点
+        // 遍历该顶点的所有邻接顶点
+        for (Vertex adjVet in graph.adjList[vet]!) {
+          if (visited.contains(adjVet)) {
+            continue; // 跳过已被访问过的顶点
+          }
+          que.add(adjVet); // 只入队未访问的顶点
+          visited.add(adjVet); // 标记该顶点已被访问
+        }
+      }
+      // 返回顶点遍历序列
+      return res;
+    }
+    ```
+
 代码相对抽象，建议对照以下动画图示来加深理解。
 
 === "<1>"
@@ -593,6 +625,39 @@ BFS 通常借助「队列」来实现。队列具有“先入先出”的性质
     [class]{}-[func]{graphDFS}
     ```
 
+=== "Dart"
+
+    ```dart title="graph_dfs.dart"
+    /* 深度优先遍历 DFS 辅助函数 */
+    void dfs(
+      GraphAdjList graph,
+      Set<Vertex> visited,
+      List<Vertex> res,
+      Vertex vet,
+    ) {
+      res.add(vet); // 记录访问顶点
+      visited.add(vet); // 标记该顶点已被访问
+      // 遍历该顶点的所有邻接顶点
+      for (Vertex adjVet in graph.adjList[vet]!) {
+        if (visited.contains(adjVet)) {
+          continue; // 跳过已被访问过的顶点
+        }
+        // 递归访问邻接顶点
+        dfs(graph, visited, res, adjVet);
+      }
+    }
+
+    /* 深度优先遍历 DFS */
+    List<Vertex> graphDFS(GraphAdjList graph, Vertex startVet) {
+      // 顶点遍历序列
+      List<Vertex> res = [];
+      // 哈希表，用于记录已被访问过的顶点
+      Set<Vertex> visited = {};
+      dfs(graph, visited, res, startVet);
+      return res;
+    }
+    ```
+
 深度优先遍历的算法流程如下图所示，其中：
 
 - **直虚线代表向下递推**，表示开启了一个新的递归方法来访问新顶点；

chapter_hashing/hash_map.md

@@ -229,6 +229,12 @@ comments: true
 
     ```
 
+=== "Dart"
+
+    ```dart title="hash_map.dart"
+
+    ```
+
 遍历哈希表有三种方式，即 **遍历键值对、遍历键、遍历值**。
 
 === "Java"
@@ -387,6 +393,12 @@ comments: true
 
     ```
 
+=== "Dart"
+
+    ```dart title="hash_map.dart"
+
+    ```
+
 ## 6.1.2.   哈希函数
 
 哈希表的底层实现为数组，同时可能包含链表、二叉树（红黑树）等数据结构，以提高查询性能（将在下节讨论）。
@@ -1263,6 +1275,96 @@ $$
     }
     ```
 
+=== "Dart"
+
+    ```dart title="array_hash_map.dart"
+    /* 键值对 int -> String */
+    class Entry {
+      int key;
+      String val;
+      Entry(this.key, this.val);
+    }
+
+    /* 基于数组简易实现的哈希表 */
+    class ArrayHashMap {
+      late List<Entry?> _buckets;
+
+      ArrayHashMap() {
+        // 初始化数组，包含 100 个桶
+        _buckets = List.filled(100, null);
+      }
+
+      /* 哈希函数 */
+      int _hashFunc(int key) {
+        final int index = key % 100;
+        return index;
+      }
+
+      /* 查询操作 */
+      String? get(int key) {
+        final int index = _hashFunc(key);
+        final Entry? pair = _buckets[index];
+        if (pair == null) {
+          return null;
+        }
+        return pair.val;
+      }
+
+      /* 添加操作 */
+      void put(int key, String val) {
+        final Entry pair = Entry(key, val);
+        final int index = _hashFunc(key);
+        _buckets[index] = pair;
+      }
+
+      /* 删除操作 */
+      void remove(int key) {
+        final int index = _hashFunc(key);
+        _buckets[index] = null;
+      }
+
+      /* 获取所有键值对 */
+      List<Entry> entrySet() {
+        List<Entry> entrySet = [];
+        for (final Entry? pair in _buckets) {
+          if (pair != null) {
+            entrySet.add(pair);
+          }
+        }
+        return entrySet;
+      }
+
+      /* 获取所有键 */
+      List<int> keySet() {
+        List<int> keySet = [];
+        for (final Entry? pair in _buckets) {
+          if (pair != null) {
+            keySet.add(pair.key);
+          }
+        }
+        return keySet;
+      }
+
+      /* 获取所有值 */
+      List<String> values() {
+        List<String> valueSet = [];
+        for (final Entry? pair in _buckets) {
+          if (pair != null) {
+            valueSet.add(pair.val);
+          }
+        }
+        return valueSet;
+      }
+
+      /* 打印哈希表 */
+      void printHashMap() {
+        for (final Entry kv in entrySet()) {
+          print("${kv.key} -> ${kv.val}");
+        }
+      }
+    }
+    ```
+
 ## 6.1.3. &nbsp; 哈希冲突
 
 细心的你可能已经注意到，**在某些情况下，哈希函数 $f(x) = x \bmod 100$ 可能无法正常工作**。具体来说，当输入的 key 后两位相同时，哈希函数的计算结果也会相同，从而指向同一个 value 。例如，查询学号为 $12836$ 和 $20336$ 的两个学生时，我们得到：

chapter_heap/build_heap.md

@@ -162,6 +162,20 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="my_heap.dart"
+    /* 构造方法，根据输入列表建堆 */
+    MaxHeap(List<int> nums) {
+      // 将列表元素原封不动添加进堆
+      _maxHeap = nums;
+      // 堆化除叶节点以外的其他所有节点
+      for (int i = _parent(size() - 1); i >= 0; i--) {
+        _siftDown(i);
+      }
+    }
+    ```
+
 ## 8.2.3. &nbsp; 复杂度分析
 
 为什么第二种建堆方法的时间复杂度是 $O(n)$ ？我们来展开推算一下。

chapter_heap/heap.md

@@ -307,6 +307,12 @@ comments: true
 
     ```
 
+=== "Dart"
+
+    ```dart title="heap.dart"
+
+    ```
+
 ## 8.1.2.   堆的实现
 
 下文实现的是大顶堆。若要将其转换为小顶堆，只需将所有大小逻辑判断取逆（例如，将 $\geq$ 替换为 $\leq$ ）。感兴趣的读者可以自行实现。
@@ -514,6 +520,25 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="my_heap.dart"
+    /* 获取左子节点索引 */
+    int _left(int i) {
+      return 2 * i + 1;
+    }
+
+    /* 获取右子节点索引 */
+    int _right(int i) {
+      return 2 * i + 2;
+    }
+
+    /* 获取父节点索引 */
+    int _parent(int i) {
+      return (i - 1) ~/ 2; // 向下整除
+    }
+    ```
+
 ### 访问堆顶元素
 
 堆顶元素即为二叉树的根节点，也就是列表的首个元素。
@@ -607,6 +632,15 @@ comments: true
     }  
     ```
 
+=== "Dart"
+
+    ```dart title="my_heap.dart"
+    /* 访问堆顶元素 */
+    int peek() {
+      return _maxHeap[0];
+    }
+    ```
+
 ### 元素入堆
 
 给定元素 `val` ，我们首先将其添加到堆底。添加之后，由于 val 可能大于堆中其他元素，堆的成立条件可能已被破坏。因此，**需要修复从插入节点到根节点的路径上的各个节点**，这个操作被称为「堆化 Heapify」。
@@ -918,6 +952,20 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="my_heap.dart"
+    /* 元素入堆 */
+    void push(int val) {
+      // 添加节点
+      _maxHeap.add(val);
+      // 从底至顶堆化
+      _siftUp(size() - 1);
+    }
+
+    [class]{MaxHeap}-[func]{siftUp}
+    ```
+
 ### 堆顶元素出堆
 
 堆顶元素是二叉树的根节点，即列表首元素。如果我们直接从列表中删除首元素，那么二叉树中所有节点的索引都会发生变化，这将使得后续使用堆化修复变得困难。为了尽量减少元素索引的变动，我们采取以下操作步骤：
@@ -1354,6 +1402,26 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="my_heap.dart"
+    /* 元素出堆 */
+    int pop() {
+      // 判空处理
+      if (isEmpty()) throw Exception('堆为空');
+      // 交换根节点与最右叶节点（即交换首元素与尾元素）
+      _swap(0, size() - 1);
+      // 删除节点
+      int val = _maxHeap.removeLast();
+      // 从顶至底堆化
+      _siftDown(0);
+      // 返回堆顶元素
+      return val;
+    }
+
+    [class]{MaxHeap}-[func]{siftDown}
+    ```
+
 ## 8.1.3.   堆常见应用
 
 - **优先队列**：堆通常作为实现优先队列的首选数据结构，其入队和出队操作的时间复杂度均为 $O(\log n)$ ，而建队操作为 $O(n)$ ，这些操作都非常高效。

chapter_preface/suggestions.md

@@ -148,6 +148,17 @@ comments: true
     // 注释
     ```
 
+=== "Dart"
+
+    ```dart title=""
+    // 标题注释，用于标注函数、类、测试样例等
+    
+    // 内容注释，用于详解代码
+    
+    // 多行
+    // 注释
+    ```
+
 ## 0.2.2.   在动画图解中高效学习
 
 相较于文字，视频和图片具有更高的信息密度和结构化程度，因此更易于理解。在本书中，**重点和难点知识将主要通过动画和图解形式展示**，而文字则作为动画和图片的解释与补充。

chapter_searching/binary_search.md

@@ -279,6 +279,32 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="binary_search.dart"
+    /* 二分查找（双闭区间） */
+    int binarySearch(List<int> nums, int target) {
+      // 初始化双闭区间 [0, n-1] ，即 i, j 分别指向数组首元素、尾元素
+      int i = 0, j = nums.length - 1;
+      // 循环，当搜索区间为空时跳出（当 i > j 时为空）
+      while (i <= j) {
+        int m = i + (j - i) ~/ 2; // 计算中点索引 m
+        if (nums[m] < target) {
+          // 此情况说明 target 在区间 [m+1, j] 中
+          i = m + 1;
+        } else if (nums[m] > target) {
+          // 此情况说明 target 在区间 [i, m-1] 中
+          j = m - 1;
+        } else {
+          // 找到目标元素，返回其索引
+          return m;
+        }
+      }
+      // 未找到目标元素，返回 -1
+      return -1;
+    }
+    ```
+
 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 $\log_2 n$ 。
 
 空间复杂度为 $O(1)$  。指针 `i` , `j` 使用常数大小空间。
@@ -520,6 +546,32 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="binary_search.dart"
+    /* 二分查找（左闭右开区间） */
+    int binarySearchLCRO(List<int> nums, int target) {
+      // 初始化左闭右开 [0, n) ，即 i, j 分别指向数组首元素、尾元素+1
+      int i = 0, j = nums.length;
+      // 循环，当搜索区间为空时跳出（当 i = j 时为空）
+      while (i < j) {
+        int m = i + (j - i) ~/ 2; // 计算中点索引 m
+        if (nums[m] < target) {
+          // 此情况说明 target 在区间 [m+1, j) 中
+          i = m + 1;
+        } else if (nums[m] > target) {
+          // 此情况说明 target 在区间 [i, m) 中
+          j = m;
+        } else {
+          // 找到目标元素，返回其索引
+          return m;
+        }
+      }
+      // 未找到目标元素，返回 -1
+      return -1;
+    }
+    ```
+
 如下图所示，在两种区间表示下，二分查找算法的初始化、循环条件和缩小区间操作皆有所不同。
 
 在“双闭区间”表示法中，由于左右边界都被定义为闭区间，因此指针 $i$ 和 $j$ 缩小区间操作也是对称的。这样更不容易出错。因此，**我们通常采用“双闭区间”的写法**。

chapter_searching/binary_search_edge.md

@@ -218,6 +218,12 @@ comments: true
     [class]{}-[func]{binarySearchLeftEdge}
     ```
 
+=== "Dart"
+
+    ```dart title="binary_search_edge.dart"
+    [class]{}-[func]{binarySearchLeftEdge}
+    ```
+
 ## 10.2.3.   查找右边界
 
 类似地，我们也可以二分查找最右边的 `target` 。当 `nums[m] == target` 时，说明大于 `target` 的元素在区间 $[m + 1, j]$ 中，因此执行 `i = m + 1` ，**使得指针 $i$ 向大于 `target` 的元素靠近**。
@@ -384,6 +390,12 @@ comments: true
     [class]{}-[func]{binarySearchRightEdge}
     ```
 
+=== "Dart"
+
+    ```dart title="binary_search_edge.dart"
+    [class]{}-[func]{binarySearchRightEdge}
+    ```
+
 观察下图，搜索最右边元素时指针 $j$ 的作用与搜索最左边元素时指针 $i$ 的作用一致，反之亦然。也就是说，**搜索最左边元素和最右边元素的实现是镜像对称的**。
 
 ![查找最左边和最右边元素的对称性](binary_search_edge.assets/binary_search_left_right_edge.png)

chapter_searching/replace_linear_by_hashing.md

@@ -193,6 +193,21 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="two_sum.dart"
+    /* 方法一： 暴力枚举 */
+    List<int> twoSumBruteForce(List<int> nums, int target) {
+      int size = nums.length;
+      for (var i = 0; i < size - 1; i++) {
+        for (var j = i + 1; j < size; j++) {
+          if (nums[i] + nums[j] == target) return [i, j];
+        }
+      }
+      return [0];
+    }
+    ```
+
 此方法的时间复杂度为 $O(n^2)$ ，空间复杂度为 $O(1)$ ，在大数据量下非常耗时。
 
 ## 10.3.2. &nbsp; 哈希查找：以空间换时间
@@ -430,6 +445,23 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="two_sum.dart"
+    /* 方法二： 辅助哈希表 */
+    List<int> twoSumHashTable(List<int> nums, int target) {
+      int size = nums.length;
+      Map<int, int> dic = HashMap();
+      for (var i = 0; i < size; i++) {
+        if (dic.containsKey(target - nums[i])) {
+          return [dic[target - nums[i]]!, i];
+        }
+        dic.putIfAbsent(nums[i], () => i);
+      }
+      return [0];
+    }
+    ```
+
 此方法通过哈希查找将时间复杂度从 $O(n^2)$ 降低至 $O(n)$ ，大幅提升运行效率。
 
 由于需要维护一个额外的哈希表，因此空间复杂度为 $O(n)$ 。**尽管如此，该方法的整体时空效率更为均衡，因此它是本题的最优解法**。

chapter_sorting/bubble_sort.md

@@ -235,6 +235,26 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="bubble_sort.dart"
+    /* 冒泡排序 */
+    void bubbleSort(List<int> nums) {
+      // 外循环：未排序区间为 [0, i]
+      for (int i = nums.length - 1; i > 0; i--) {
+        // 内循环：将未排序区间 [0, i] 中的最大元素交换至该区间的最右端 
+        for (int j = 0; j < i; j++) {
+          if (nums[j] > nums[j + 1]) {
+            // 交换 nums[j] 与 nums[j + 1]
+            int tmp = nums[j];
+            nums[j] = nums[j + 1];
+            nums[j + 1] = tmp;
+          }
+        }
+      }
+    }
+    ```
+
 ## 11.3.2. &nbsp; 效率优化
 
 我们发现，如果某轮“冒泡”中没有执行任何交换操作，说明数组已经完成排序，可直接返回结果。因此，可以增加一个标志位 `flag` 来监测这种情况，一旦出现就立即返回。
@@ -471,6 +491,29 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="bubble_sort.dart"
+    /* 冒泡排序（标志优化）*/
+    void bubbleSortWithFlag(List<int> nums) {
+      // 外循环：未排序区间为 [0, i]
+      for (int i = nums.length - 1; i > 0; i--) {
+        bool flag = false; // 初始化标志位
+        // 内循环：将未排序区间 [0, i] 中的最大元素交换至该区间的最右端 
+        for (int j = 0; j < i; j++) {
+          if (nums[j] > nums[j + 1]) {
+            // 交换 nums[j] 与 nums[j + 1]
+            int tmp = nums[j];
+            nums[j] = nums[j + 1];
+            nums[j + 1] = tmp;
+            flag = true; // 记录交换元素
+          }
+        }
+        if (!flag) break; // 此轮冒泡未交换任何元素，直接跳出
+      }
+    }
+    ```
+
 ## 11.3.3. &nbsp; 算法特性
 
 - **时间复杂度为 $O(n^2)$ 、自适应排序** ：各轮“冒泡”遍历的数组长度依次为 $n - 1$ , $n - 2$ , $\cdots$ , $2$ , $1$ ，总和为 $\frac{(n - 1) n}{2}$ 。在引入 `flag` 优化后，最佳时间复杂度可达到 $O(n)$ 。

chapter_sorting/bucket_sort.md

@@ -285,6 +285,36 @@ comments: true
     [class]{}-[func]{bucketSort}
     ```
 
+=== "Dart"
+
+    ```dart title="bucket_sort.dart"
+    /* 桶排序 */
+    void bucketSort(List<double> nums) {
+      // 初始化 k = n/2 个桶，预期向每个桶分配 2 个元素
+      int k = nums.length ~/ 2;
+      List<List<double>> buckets = List.generate(k, (index) => []);
+
+      // 1. 将数组元素分配到各个桶中
+      for (double num in nums) {
+        // 输入数据范围 [0, 1)，使用 num * k 映射到索引范围 [0, k-1]
+        int i = (num * k).toInt();
+        // 将 num 添加进桶 bucket_idx
+        buckets[i].add(num);
+      }
+      // 2. 对各个桶执行排序
+      for (List<double> bucket in buckets) {
+        bucket.sort();
+      }
+      // 3. 遍历桶合并结果
+      int i = 0;
+      for (List<double> bucket in buckets) {
+        for (double num in bucket) {
+          nums[i++] = num;
+        }
+      }
+    }
+    ```
+
 !!! question "桶排序的适用场景是什么？"
 
     桶排序适用于处理体量很大的数据。例如，输入数据包含 100 万个元素，由于空间限制，系统内存无法一次性加载所有数据。此时，可以将数据分成 1000 个桶，然后分别对每个桶进行排序，最后将结果合并。

chapter_sorting/counting_sort.md

@@ -265,6 +265,33 @@ comments: true
     [class]{}-[func]{countingSortNaive}
     ```
 
+=== "Dart"
+
+    ```dart title="counting_sort.dart"
+    /* 计数排序 */
+    // 简单实现，无法用于排序对象
+    void countingSortNaive(List<int> nums) {
+      // 1. 统计数组最大元素 m
+      int m = 0;
+      for (int num in nums) {
+        m = max(m, num);
+      }
+     // 2. 统计各数字的出现次数
+      // counter[num] 代表 num 的出现次数
+      List<int> counter = List.filled(m + 1, 0);
+      for (int num in nums) {
+        counter[num]++;
+      }
+      // 3. 遍历 counter ，将各元素填入原数组 nums
+      int i = 0;
+      for (int num = 0; num < m + 1; num++) {
+        for (int j = 0; j < counter[num]; j++, i++) {
+          nums[i] = num;
+        }
+      }
+    }
+    ```
+
 !!! note "计数排序与桶排序的联系"
 
     从桶排序的角度看，我们可以将计数排序中的计数数组 `counter` 的每个索引视为一个桶，将统计数量的过程看作是将各个元素分配到对应的桶中。本质上，计数排序是桶排序在整型数据下的一个特例。
@@ -647,6 +674,42 @@ $$
     [class]{}-[func]{countingSort}
     ```
 
+=== "Dart"
+
+    ```dart title="counting_sort.dart"
+    /* 计数排序 */
+    // 完整实现，可排序对象，并且是稳定排序
+    void countingSort(List<int> nums) {
+      // 1. 统计数组最大元素 m
+      int m = 0;
+      for (int num in nums) {
+        m = max(m, num);
+      }
+      // 2. 统计各数字的出现次数
+      // counter[num] 代表 num 的出现次数
+      List<int> counter = List.filled(m + 1, 0);
+      for (int num in nums) {
+        counter[num]++;
+      }
+      // 3. 求 counter 的前缀和，将“出现次数”转换为“尾索引”
+      // 即 counter[num]-1 是 num 在 res 中最后一次出现的索引
+      for (int i = 0; i < m; i++) {
+        counter[i + 1] += counter[i];
+      }
+      // 4. 倒序遍历 nums ，将各元素填入结果数组 res
+      // 初始化数组 res 用于记录结果
+      int n = nums.length;
+      List<int> res = List.filled(n, 0);
+      for (int i = n - 1; i >= 0; i--) {
+        int num = nums[i];
+        res[counter[num] - 1] = num; // 将 num 放置到对应索引处
+        counter[num]--;              // 令前缀和自减 1 ，得到下次放置 num 的索引
+      }
+      // 使用结果数组 res 覆盖原数组 nums
+      nums.setAll(0, res);
+    }
+    ```
+
 ## 11.9.3. &nbsp; 算法特性
 
 - **时间复杂度 $O(n + m)$** ：涉及遍历 `nums` 和遍历 `counter` ，都使用线性时间。一般情况下 $n \gg m$ ，时间复杂度趋于 $O(n)$ 。

chapter_sorting/heap_sort.md

@@ -343,6 +343,14 @@ comments: true
     [class]{}-[func]{heapSort}
     ```
 
+=== "Dart"
+
+    ```dart title="heap_sort.dart"
+    [class]{}-[func]{siftDown}
+
+    [class]{}-[func]{heapSort}
+    ```
+
 ## 11.7.2.   算法特性
 
 - **时间复杂度 $O(n \log n)$ 、非自适应排序** ：建堆操作使用 $O(n)$ 时间。从堆中提取最大元素的时间复杂度为 $O(\log n)$ ，共循环 $n - 1$ 轮。

chapter_sorting/insertion_sort.md

@@ -212,6 +212,24 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="insertion_sort.dart"
+    /* 插入排序 */
+    void insertionSort(List<int> nums) {
+      // 外循环：已排序元素数量为 1, 2, ..., n
+      for (int i = 1; i < nums.length; i++) {
+        int base = nums[i], j = i - 1;
+        // 内循环：将 base 插入到已排序部分的正确位置
+        while (j >= 0 && nums[j] > base) {
+          nums[j + 1] = nums[j]; // 将 nums[j] 向右移动一位
+          j--;
+        }
+        nums[j + 1] = base; // 将 base 赋值到正确位置
+      }
+    }
+    ```
+
 ## 11.4.2. &nbsp; 算法特性
 
 - **时间复杂度 $O(n^2)$ 、自适应排序** ：最差情况下，每次插入操作分别需要循环 $n - 1$ , $n-2$ , $\cdots$ , $2$ , $1$ 次，求和得到 $\frac{(n - 1) n}{2}$ ，因此时间复杂度为 $O(n^2)$ 。在遇到有序数据时，插入操作会提前终止。当输入数组完全有序时，插入排序达到最佳时间复杂度 $O(n)$ 。

chapter_sorting/merge_sort.md

@@ -528,6 +528,48 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="merge_sort.dart"
+    /* 合并左子数组和右子数组 */
+    // 左子数组区间 [left, mid]
+    // 右子数组区间 [mid + 1, right]
+    void merge(List<int> nums, int left, int mid, int right) {
+      // 初始化辅助数组
+      List<int> tmp = nums.sublist(left, right + 1);
+      // 左子数组的起始索引和结束索引
+      int leftStart = left - left, leftEnd = mid - left;
+      // 右子数组的起始索引和结束索引
+      int rightStart = mid + 1 - left, rightEnd = right - left;
+      // i, j 分别指向左子数组、右子数组的首元素
+      int i = leftStart, j = rightStart;
+      // 通过覆盖原数组 nums 来合并左子数组和右子数组
+      for (int k = left; k <= right; k++) {
+        // 若“左子数组已全部合并完”，则选取右子数组元素，并且 j++
+        if (i > leftEnd)
+          nums[k] = tmp[j++];
+        // 否则，若“右子数组已全部合并完”或“左子数组元素 <= 右子数组元素”，则选取左子数组元素，并且 i++
+        else if (j > rightEnd || tmp[i] <= tmp[j])
+          nums[k] = tmp[i++];
+        // 否则，若“左右子数组都未全部合并完”且“左子数组元素 > 右子数组元素”，则选取右子数组元素，并且 j++
+        else
+          nums[k] = tmp[j++];
+      }
+    }
+
+    /* 归并排序 */
+    void mergeSort(List<int> nums, int left, int right) {
+      // 终止条件
+      if (left >= right) return; // 当子数组长度为 1 时终止递归
+      // 划分阶段
+      int mid = (left + right) ~/ 2; // 计算中点
+      mergeSort(nums, left, mid); // 递归左子数组
+      mergeSort(nums, mid + 1, right); // 递归右子数组
+      // 合并阶段
+      merge(nums, left, mid, right);
+    }
+    ```
+
 合并方法 `merge()` 代码中的难点包括：
 
 - **在阅读代码时，需要特别注意各个变量的含义**。`nums` 的待合并区间为 `[left, right]` ，但由于 `tmp` 仅复制了 `nums` 该区间的元素，因此 `tmp` 对应区间为 `[0, right - left]` 。

chapter_sorting/quick_sort.md

@@ -313,6 +313,30 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="quick_sort.dart"
+    /* 元素交换 */
+    void _swap(List<int> nums, int i, int j) {
+      int tmp = nums[i];
+      nums[i] = nums[j];
+      nums[j] = tmp;
+    }
+
+    /* 哨兵划分 */
+    int _partition(List<int> nums, int left, int right) {
+      // 以 nums[left] 作为基准数
+      int i = left, j = right;
+      while (i < j) {
+        while (i < j && nums[j] >= nums[left]) j--; // 从右向左找首个小于基准数的元素
+        while (i < j && nums[i] <= nums[left]) i++; // 从左向右找首个大于基准数的元素
+        _swap(nums, i, j); // 交换这两个元素
+      }
+      _swap(nums, i, left); // 将基准数交换至两子数组的分界线
+      return i; // 返回基准数的索引
+    }
+    ```
+
 ## 11.5.1. &nbsp; 算法流程
 
 1. 首先，对原数组执行一次「哨兵划分」，得到未排序的左子数组和右子数组；
@@ -507,6 +531,21 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="quick_sort.dart"
+    /* 快速排序 */
+    void quickSort(List<int> nums, int left, int right) {
+      // 子数组长度为 1 时终止递归
+      if (left >= right) return;
+      // 哨兵划分
+      int pivot = _partition(nums, left, right);
+      // 递归左子数组、右子数组
+      quickSort(nums, left, pivot - 1);
+      quickSort(nums, pivot + 1, right);
+    }
+    ```
+
 ## 11.5.2. &nbsp; 算法特性
 
 - **时间复杂度 $O(n \log n)$ 、自适应排序** ：在平均情况下，哨兵划分的递归层数为 $\log n$ ，每层中的总循环数为 $n$ ，总体使用 $O(n \log n)$ 时间。在最差情况下，每轮哨兵划分操作都将长度为 $n$ 的数组划分为长度为 $0$ 和 $n - 1$ 的两个子数组，此时递归层数达到 $n$ 层，每层中的循环数为 $n$ ，总体使用 $O(n^2)$ 时间。
@@ -904,6 +943,39 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="quick_sort.dart"
+    /* 选取三个元素的中位数 */
+    int _medianThree(List<int> nums, int left, int mid, int right) {
+      // 此处使用异或运算来简化代码
+      // 异或规则为 0 ^ 0 = 1 ^ 1 = 0, 0 ^ 1 = 1 ^ 0 = 1
+      if ((nums[left] < nums[mid]) ^ (nums[left] < nums[right]))
+        return left;
+      else if ((nums[mid] < nums[left]) ^ (nums[mid] < nums[right]))
+        return mid;
+      else
+        return right;
+    }
+
+    /* 哨兵划分（三数取中值） */
+    int _partition(List<int> nums, int left, int right) {
+      // 选取三个候选元素的中位数
+      int med = _medianThree(nums, left, (left + right) ~/ 2, right);
+      // 将中位数交换至数组最左端
+      _swap(nums, left, med);
+      // 以 nums[left] 作为基准数
+      int i = left, j = right;
+      while (i < j) {
+        while (i < j && nums[j] >= nums[left]) j--; // 从右向左找首个小于基准数的元素
+        while (i < j && nums[i] <= nums[left]) i++; // 从左向右找首个大于基准数的元素
+        _swap(nums, i, j); // 交换这两个元素
+      }
+      _swap(nums, i, left); // 将基准数交换至两子数组的分界线
+      return i; // 返回基准数的索引
+    }
+    ```
+
 ## 11.5.5. &nbsp; 尾递归优化
 
 **在某些输入下，快速排序可能占用空间较多**。以完全倒序的输入数组为例，由于每轮哨兵划分后右子数组长度为 $0$ ，递归树的高度会达到 $n - 1$ ，此时需要占用 $O(n)$ 大小的栈帧空间。
@@ -1121,3 +1193,24 @@ comments: true
         }
     }
     ```
+
+=== "Dart"
+
+    ```dart title="quick_sort.dart"
+    /* 快速排序（尾递归优化） */
+    void quickSort(List<int> nums, int left, int right) {
+      // 子数组长度为 1 时终止
+      while (left < right) {
+        // 哨兵划分操作
+        int pivot = _partition(nums, left, right);
+        // 对两个子数组中较短的那个执行快排
+        if (pivot - left < right - pivot) {
+          quickSort(nums, left, pivot - 1); // 递归排序左子数组
+          left = pivot + 1; // 剩余未排序区间为 [pivot + 1, right]
+        } else {
+          quickSort(nums, pivot + 1, right); // 递归排序右子数组
+          right = pivot - 1; // 剩余未排序区间为 [left, pivot - 1]
+        }
+      }
+    }
+    ```

chapter_sorting/radix_sort.md

@@ -583,6 +583,57 @@ $$
     } 
     ```
 
+=== "Dart"
+
+    ```dart title="radix_sort.dart"
+    /* 获取元素 num 的第 k 位，其中 exp = 10^(k-1) */
+    int digit(int num, int exp) {
+      // 传入 exp 而非 k 可以避免在此重复执行昂贵的次方计算
+      return (num ~/ exp) % 10;
+    }
+
+    /* 计数排序（根据 nums 第 k 位排序） */
+    void countingSortDigit(List<int> nums, int exp) {
+      // 十进制的位范围为 0~9 ，因此需要长度为 10 的桶
+      List<int> counter = List<int>.filled(10, 0);
+      int n = nums.length;
+      // 统计 0~9 各数字的出现次数
+      for (int i = 0; i < n; i++) {
+        int d = digit(nums[i], exp); // 获取 nums[i] 第 k 位，记为 d
+        counter[d]++; // 统计数字 d 的出现次数
+      }
+      // 求前缀和，将“出现个数”转换为“数组索引”
+      for (int i = 1; i < 10; i++) {
+        counter[i] += counter[i - 1];
+      }
+      // 倒序遍历，根据桶内统计结果，将各元素填入 res
+      List<int> res = List<int>.filled(n, 0);
+      for (int i = n - 1; i >= 0; i--) {
+        int d = digit(nums[i], exp);
+        int j = counter[d] - 1; // 获取 d 在数组中的索引 j
+        res[j] = nums[i]; // 将当前元素填入索引 j
+        counter[d]--; // 将 d 的数量减 1
+      }
+      // 使用结果覆盖原数组 nums
+      for (int i = 0; i < n; i++) nums[i] = res[i];
+    }
+
+    /* 基数排序 */
+    void radixSort(List<int> nums) {
+      // 获取数组的最大元素，用于判断最大位数
+      // dart 中 int 的长度是 64 位的
+      int m = -1 << 63; 
+      for (int num in nums) if (num > m) m = num;
+      // 按照从低位到高位的顺序遍历
+      for (int exp = 1; exp <= m; exp *= 10)
+        // 对数组元素的第 k 位执行计数排序
+        // k = 1 -> exp = 1
+        // k = 2 -> exp = 10
+        // 即 exp = 10^(k-1)
+        countingSortDigit(nums, exp);
+    }
+    ```
+
 !!! question "为什么从最低位开始排序？"
 
     在连续的排序轮次中，后一轮排序会覆盖前一轮排序的结果。举例来说，如果第一轮排序结果 $a < b$ ，而第二轮排序结果 $a > b$ ，那么第二轮的结果将取代第一轮的结果。由于数字的高位优先级高于低位，我们应该先排序低位再排序高位。

chapter_sorting/selection_sort.md

@@ -195,6 +195,12 @@ comments: true
     [class]{}-[func]{selectionSort}
     ```
 
+=== "Dart"
+
+    ```dart title="selection_sort.dart"
+    [class]{}-[func]{selectionSort}
+    ```
+
 ## 11.2.1.   算法特性
 
 - **时间复杂度为 $O(n^2)$ 、非自适应排序**：外循环共 $n - 1$ 轮，第一轮的未排序区间长度为 $n$ ，最后一轮的未排序区间长度为 $2$ ，即各轮外循环分别包含 $n$ , $n - 1$ , $\cdots$ , $2$ 轮内循环，求和为 $\frac{(n - 1)(n + 2)}{2}$ 。

chapter_stack_and_queue/deque.md

@@ -289,6 +289,12 @@ comments: true
 
     ```
 
+=== "Dart"
+
+    ```dart title="deque.dart"
+
+    ```
+
 ## 5.3.2.   双向队列实现 *
 
 双向队列的实现与队列类似，可以选择链表或数组作为底层数据结构。
@@ -1636,6 +1642,136 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="linkedlist_deque.dart"
+    /* 双向链表节点 */
+    class ListNode {
+      int val; // 节点值
+      ListNode? next; // 后继节点引用（指针）
+      ListNode? prev; // 前驱节点引用（指针）
+
+      ListNode(this.val, {this.next, this.prev});
+    }
+
+    /* 基于双向链表实现的双向对列 */
+    class LinkedListDeque {
+      late ListNode? _front; // 头节点 _front
+      late ListNode? _rear; // 尾节点 _rear
+      int _queSize = 0; // 双向队列的长度
+
+      LinkedListDeque() {
+        this._front = null;
+        this._rear = null;
+      }
+
+      /* 获取双向队列长度 */
+      int size() {
+        return this._queSize;
+      }
+
+      /* 判断双向队列是否为空 */
+      bool isEmpty() {
+        return size() == 0;
+      }
+
+      /* 入队操作 */
+      void push(int num, bool isFront) {
+        final ListNode node = ListNode(num);
+        if (isEmpty()) {
+          // 若链表为空，则令 _front，_rear 都指向 node
+          _front = _rear = node;
+        } else if (isFront) {
+          // 队首入队操作
+          // 将 node 添加至链表头部
+          _front!.prev = node;
+          node.next = _front;
+          _front = node; // 更新头节点
+        } else {
+          // 队尾入队操作
+          // 将 node 添加至链表尾部
+          _rear!.next = node;
+          node.prev = _rear;
+          _rear = node; // 更新尾节点
+        }
+        _queSize++; // 更新队列长度
+      }
+
+      /* 队首入队 */
+      void pushFirst(int num) {
+        push(num, true);
+      }
+
+      /* 队尾入队 */
+      void pushLast(int num) {
+        push(num, false);
+      }
+
+      /* 出队操作 */
+      int? pop(bool isFront) {
+        // 若队列为空，直接返回 null
+        if (isEmpty()) {
+          return null;
+        }
+        final int val;
+        if (isFront) {
+          // 队首出队操作
+          val = _front!.val; // 暂存头节点值
+          // 删除头节点
+          ListNode? fNext = _front!.next;
+          if (fNext != null) {
+            fNext.prev = null;
+            _front!.next = null;
+          }
+          _front = fNext; // 更新头节点
+        } else {
+          // 队尾出队操作
+          val = _rear!.val; // 暂存尾节点值
+          // 删除尾节点
+          ListNode? rPrev = _rear!.prev;
+          if (rPrev != null) {
+            rPrev.next = null;
+            _rear!.prev = null;
+          }
+          _rear = rPrev; // 更新尾节点
+        }
+        _queSize--; // 更新队列长度
+        return val;
+      }
+
+      /* 队首出队 */
+      int? popFirst() {
+        return pop(true);
+      }
+
+      /* 队尾出队 */
+      int? popLast() {
+        return pop(false);
+      }
+
+      /* 访问队首元素 */
+      int? peekFirst() {
+        return _front?.val;
+      }
+
+      /* 访问队尾元素 */
+      int? peekLast() {
+        return _rear?.val;
+      }
+
+      /* 返回数组用于打印 */
+      List<int> toArray() {
+        ListNode? node = _front;
+        final List<int> res = [];
+        for (int i = 0; i < _queSize; i++) {
+          res.add(node!.val);
+          node = node.next;
+        }
+        return res;
+      }
+    }
+    ```
+
 ### 基于数组的实现
 
 与基于数组实现队列类似，我们也可以使用环形数组来实现双向队列。在队列的实现基础上，仅需增加“队首入队”和“队尾出队”的方法。
@@ -2650,6 +2786,115 @@ comments: true
     [class]{ArrayDeque}-[func]{}
     ```
 
+=== "Dart"
+
+    ```dart title="array_deque.dart"
+    /* 基于环形数组实现的双向队列 */
+    class ArrayDeque {
+      late List<int> _nums; // 用于存储双向队列元素的数组
+      late int _front; // 队首指针，指向队首元素
+      late int _queSize; // 双向队列长度
+
+      /* 构造方法 */
+      ArrayDeque(int capacity) {
+        this._nums = List.filled(capacity, 0);
+        this._front = this._queSize = 0;
+      }
+
+      /* 获取双向队列的容量 */
+      int capacity() {
+        return _nums.length;
+      }
+
+      /* 获取双向队列的长度 */
+      int size() {
+        return _queSize;
+      }
+
+      /* 判断双向队列是否为空 */
+      bool isEmpty() {
+        return _queSize == 0;
+      }
+
+      /* 计算环形数组索引 */
+      int index(int i) {
+        // 通过取余操作实现数组首尾相连
+        // 当 i 越过数组尾部后，回到头部
+        // 当 i 越过数组头部后，回到尾部
+        return (i + capacity()) % capacity();
+      }
+
+      /* 队首入队 */
+      void pushFirst(int num) {
+        if (_queSize == capacity()) {
+          throw Exception("双向队列已满");
+        }
+        // 队首指针向左移动一位
+        // 通过取余操作，实现 _front 越过数组头部后回到尾部
+        _front = index(_front - 1);
+        // 将 num 添加至队首
+        _nums[_front] = num;
+        _queSize++;
+      }
+
+      /* 队尾入队 */
+      void pushLast(int num) {
+        if (_queSize == capacity()) {
+          throw Exception("双向队列已满");
+        }
+        // 计算尾指针，指向队尾索引 + 1
+        int rear = index(_front + _queSize);
+        // 将 num 添加至队尾
+        _nums[rear] = num;
+        _queSize++;
+      }
+
+      /* 队首出队 */
+      int popFirst() {
+        int num = peekFirst();
+        // 队首指针向右移动一位
+        _front = index(_front + 1);
+        _queSize--;
+        return num;
+      }
+
+      /* 队尾出队 */
+      int popLast() {
+        int num = peekLast();
+        _queSize--;
+        return num;
+      }
+
+      /* 访问队首元素 */
+      int peekFirst() {
+        if (isEmpty()) {
+          throw Exception("双向队列为空");
+        }
+        return _nums[_front];
+      }
+
+      /* 访问队尾元素 */
+      int peekLast() {
+        if (isEmpty()) {
+          throw Exception("双向队列为空");
+        }
+        // 计算尾元素索引
+        int last = index(_front + _queSize - 1);
+        return _nums[last];
+      }
+
+      /* 返回数组用于打印 */
+      List<int> toArray() {
+        // 仅转换有效长度范围内的列表元素
+        List<int> res = List.filled(_queSize, 0);
+        for (int i = 0, j = _front; i < _queSize; i++, j++) {
+          res[i] = _nums[index(j)];
+        }
+        return res;
+      }
+    }
+    ```
+
 ## 5.3.3. &nbsp; 双向队列应用
 
 双向队列兼具栈与队列的逻辑，**因此它可以实现这两者的所有应用场景，同时提供更高的自由度**。

chapter_stack_and_queue/queue.md

@@ -258,6 +258,12 @@ comments: true
 
     ```
 
+=== "Dart"
+
+    ```dart title="queue.dart"
+
+    ```
+
 ## 5.2.2.   队列实现
 
 为了实现队列，我们需要一种数据结构，可以在一端添加元素，并在另一端删除元素。因此，链表和数组都可以用来实现队列。
@@ -993,6 +999,76 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="linkedlist_queue.dart"
+    /* 基于链表实现的队列 */
+    class LinkedListQueue {
+      ListNode? _front; // 头节点 _front
+      ListNode? _rear; // 尾节点 _rear
+      int _queSize = 0; // 队列长度
+
+      LinkedListQueue() {
+        _front = null;
+        _rear = null;
+      }
+
+      /* 获取队列的长度 */
+      int size() {
+        return _queSize;
+      }
+
+      /* 判断队列是否为空 */
+      bool isEmpty() {
+        return _queSize == 0;
+      }
+
+      /* 入队 */
+      void push(int num) {
+        // 尾节点后添加 num
+        final node = ListNode(num);
+        // 如果队列为空，则令头、尾节点都指向该节点
+        if (_front == null) {
+          _front = node;
+          _rear = node;
+        } else {
+          // 如果队列不为空，则将该节点添加到尾节点后
+          _rear!.next = node;
+          _rear = node;
+        }
+        _queSize++;
+      }
+
+      /* 出队 */
+      int pop() {
+        final int num = peek();
+        // 删除头节点
+        _front = _front!.next;
+        _queSize--;
+        return num;
+      }
+
+      /* 访问队首元素 */
+      int peek() {
+        if (_queSize == 0) {
+          throw Exception('队列为空');
+        }
+        return _front!.val;
+      }
+
+      /* 将链表转化为 Array 并返回 */
+      List<int> toArray() {
+        ListNode? node = _front;
+        final List<int> queue = [];
+        while (node != null) {
+          queue.add(node.val);
+          node = node.next;
+        }
+        return queue;
+      }
+    }
+    ```
+
 ### 基于数组的实现
 
 由于数组删除首元素的时间复杂度为 $O(n)$ ，这会导致出队操作效率较低。然而，我们可以采用以下巧妙方法来避免这个问题。
@@ -1759,6 +1835,77 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="array_queue.dart"
+    /* 基于环形数组实现的队列 */
+    class ArrayQueue {
+      late List<int> _nums; // 用于储存队列元素的数组
+      late int _front; // 队首指针，指向队首元素
+      late int _queSize; // 队列长度
+
+      ArrayQueue(int capacity) {
+        _nums = List.filled(capacity, 0);
+        _front = _queSize = 0;
+      }
+
+      /* 获取队列的容量 */
+      int capaCity() {
+        return _nums.length;
+      }
+
+      /* 获取队列的长度 */
+      int size() {
+        return _queSize;
+      }
+
+      /* 判断队列是否为空 */
+      bool isEmpty() {
+        return _queSize == 0;
+      }
+
+      /* 入队 */
+      void push(int num) {
+        if (_queSize == capaCity()) {
+          throw Exception("队列已满");
+        }
+        // 计算尾指针，指向队尾索引 + 1
+        // 通过取余操作，实现 rear 越过数组尾部后回到头部
+        int rear = (_front + _queSize) % capaCity();
+        // 将 num 添加至队尾
+        _nums[rear] = num;
+        _queSize++;
+      }
+
+      /* 出队 */
+      int pop() {
+        int num = peek();
+        // 队首指针向后移动一位，若越过尾部则返回到数组头部
+        _front = (_front + 1) % capaCity();
+        _queSize--;
+        return num;
+      }
+
+      /* 访问队首元素 */
+      int peek() {
+        if (isEmpty()) {
+          throw Exception("队列为空");
+        }
+        return _nums[_front];
+      }
+
+      /* 返回 Array */
+      List<int> toArray() {
+        // 仅转换有效长度范围内的列表元素
+        final List<int> res = List.filled(_queSize, 0);
+        for (int i = 0, j = _front; i < _queSize; i++, j++) {
+          res[i] = _nums[j % capaCity()];
+        }
+        return res;
+      }
+    }
+    ```
+
 以上实现的队列仍然具有局限性，即其长度不可变。然而，这个问题不难解决，我们可以将数组替换为动态数组，从而引入扩容机制。有兴趣的同学可以尝试自行实现。
 
 两种实现的对比结论与栈一致，在此不再赘述。

chapter_stack_and_queue/stack.md

@@ -256,6 +256,12 @@ comments: true
 
     ```
 
+=== "Dart"
+
+    ```dart title="stack.dart"
+
+    ```
+
 ## 5.1.2.   栈的实现
 
 为了深入了解栈的运行机制，我们来尝试自己实现一个栈类。
@@ -902,6 +908,66 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="linkedlist_stack.dart"
+    /* 基于链表类实现的栈 */
+    class LinkedListStack {
+      ListNode? _stackPeek; // 将头节点作为栈顶
+      int _stkSize = 0; // 栈的长度
+
+      LinkedListStack() {
+        _stackPeek = null;
+      }
+
+      /* 获取栈的长度 */
+      int size() {
+        return _stkSize;
+      }
+
+      /* 判断栈是否为空 */
+      bool isEmpty() {
+        return _stkSize == 0;
+      }
+
+      /* 入栈 */
+      void push(int num) {
+        final ListNode node = ListNode(num);
+        node.next = _stackPeek;
+        _stackPeek = node;
+        _stkSize++;
+      }
+
+      /* 出栈 */
+      int pop() {
+        final int num = peek();
+        _stackPeek = _stackPeek!.next;
+        _stkSize--;
+        return num;
+      }
+
+      /* 访问栈顶元素 */
+      int peek() {
+        if (_stackPeek == null) {
+          throw Exception("栈为空");
+        }
+        return _stackPeek!.val;
+      }
+
+      /* 将链表转化为 List 并返回 */
+      List<int> toList() {
+        ListNode? node = _stackPeek;
+        List<int> list = [];
+        while (node != null) {
+          list.add(node.val);
+          node = node.next;
+        }
+        list = list.reversed.toList();
+        return list;
+      }
+    }
+    ```
+
 ### 基于数组的实现
 
 在基于「数组」实现栈时，我们可以将数组的尾部作为栈顶。在这样的设计下，入栈与出栈操作就分别对应在数组尾部添加元素与删除元素，时间复杂度都为 $O(1)$ 。
@@ -1409,6 +1475,52 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="array_stack.dart"
+    /* 基于数组实现的栈 */
+    class ArrayStack {
+      late List<int> _stack;
+      ArrayStack() {
+        _stack = [];
+      }
+
+      /* 获取栈的长度 */
+      int size() {
+        return _stack.length;
+      }
+
+      /* 判断栈是否为空 */
+      bool isEmpty() {
+        return _stack.isEmpty;
+      }
+
+      /* 入栈 */
+      void push(int num) {
+        _stack.add(num);
+      }
+
+      /* 出栈 */
+      int pop() {
+        if (isEmpty()) {
+          throw Exception("栈为空");
+        }
+        return _stack.removeLast();
+      }
+
+      /* 访问栈顶元素 */
+      int peek() {
+        if (isEmpty()) {
+          throw Exception("栈为空");
+        }
+        return _stack.last;
+      }
+
+      /* 将栈转化为 Array 并返回 */
+      List<int> toArray() => _stack;
+    }
+    ```
+
 ## 5.1.3. &nbsp; 两种实现对比
 
 ### 支持操作

chapter_tree/array_representation_of_tree.md

@@ -108,6 +108,12 @@ comments: true
 
     ```
 
+=== "Dart"
+
+    ```dart title=""
+
+    ```
+
 ![任意类型二叉树的数组表示](binary_tree.assets/array_representation_with_empty.png)
 
 <p align="center"> Fig. 任意类型二叉树的数组表示 </p>

chapter_tree/avl_tree.md

@@ -177,6 +177,12 @@ G. M. Adelson-Velsky 和 E. M. Landis 在其 1962 年发表的论文 "An algorit
 
     ```
 
+=== "Dart"
+
+    ```dart title=""
+
+    ```
+
 「节点高度」是指从该节点到最远叶节点的距离，即所经过的“边”的数量。需要特别注意的是，叶节点的高度为 0 ，而空节点的高度为 -1 。我们将创建两个工具函数，分别用于获取和更新节点的高度。
 
 === "Java"
@@ -360,6 +366,21 @@ G. M. Adelson-Velsky 和 E. M. Landis 在其 1962 年发表的论文 "An algorit
     }
     ```
 
+=== "Dart"
+
+    ```dart title="avl_tree.dart"
+    /* 获取节点高度 */
+    int height(TreeNode? node) {
+      return node == null ? -1 : node.height;
+    }
+
+    /* 更新节点高度 */
+    void updateHeight(TreeNode? node) {
+      // 节点高度等于最高子树高度 + 1
+      node!.height = max(height(node.left), height(node.right)) + 1;
+    }
+    ```
+
 ### 节点平衡因子
 
 节点的「平衡因子 Balance Factor」定义为节点左子树的高度减去右子树的高度，同时规定空节点的平衡因子为 0 。我们同样将获取节点平衡因子的功能封装成函数，方便后续使用。
@@ -490,6 +511,18 @@ G. M. Adelson-Velsky 和 E. M. Landis 在其 1962 年发表的论文 "An algorit
     }
     ```
 
+=== "Dart"
+
+    ```dart title="avl_tree.dart"
+    /* 获取平衡因子 */
+    int balanceFactor(TreeNode? node) {
+      // 空节点平衡因子为 0
+      if (node == null) return 0;
+      // 节点平衡因子 = 左子树高度 - 右子树高度
+      return height(node.left) - height(node.right);
+    }
+    ```
+
 !!! note
 
     设平衡因子为 $f$ ，则一棵 AVL 树的任意节点的平衡因子皆满足 $-1 \le f \le 1$ 。
@@ -704,6 +737,24 @@ AVL 树的特点在于「旋转 Rotation」操作，它能够在不影响二叉
     }
     ```
 
+=== "Dart"
+
+    ```dart title="avl_tree.dart"
+    /* 右旋操作 */
+    TreeNode? rightRotate(TreeNode? node) {
+      TreeNode? child = node!.left;
+      TreeNode? grandChild = child!.right;
+      // 以 child 为原点，将 node 向右旋转
+      child.right = node;
+      node.left = grandChild;
+      // 更新节点高度
+      updateHeight(node);
+      updateHeight(child);
+      // 返回旋转后子树的根节点
+      return child;
+    }
+    ```
+
 ### 左旋
 
 相应的，如果考虑上述失衡二叉树的“镜像”，则需要执行「左旋」操作。
@@ -900,6 +951,24 @@ AVL 树的特点在于「旋转 Rotation」操作，它能够在不影响二叉
     }
     ```
 
+=== "Dart"
+
+    ```dart title="avl_tree.dart"
+    /* 左旋操作 */
+    TreeNode? leftRotate(TreeNode? node) {
+      TreeNode? child = node!.right;
+      TreeNode? grandChild = child!.left;
+      // 以 child 为原点，将 node 向左旋转
+      child.left = node;
+      node.right = grandChild;
+      // 更新节点高度
+      updateHeight(node);
+      updateHeight(child);
+      // 返回旋转后子树的根节点
+      return child;
+    }
+    ```
+
 ### 先左旋后右旋
 
 对于下图中的失衡节点 3，仅使用左旋或右旋都无法使子树恢复平衡。此时需要先左旋后右旋，即先对 `child` 执行「左旋」，再对 `node` 执行「右旋」。
@@ -1275,6 +1344,40 @@ AVL 树的特点在于「旋转 Rotation」操作，它能够在不影响二叉
     }
     ```
 
+=== "Dart"
+
+    ```dart title="avl_tree.dart"
+    /* 执行旋转操作，使该子树重新恢复平衡 */
+    TreeNode? rotate(TreeNode? node) {
+      // 获取节点 node 的平衡因子
+      int factor = balanceFactor(node);
+      // 左偏树
+      if (factor > 1) {
+        if (balanceFactor(node!.left) >= 0) {
+          // 右旋
+          return rightRotate(node);
+        } else {
+          // 先左旋后右旋
+          node.left = leftRotate(node.left);
+          return rightRotate(node);
+        }
+      }
+      // 右偏树
+      if (factor < -1) {
+        if (balanceFactor(node!.right) <= 0) {
+          // 左旋
+          return leftRotate(node);
+        } else {
+          // 先右旋后左旋
+          node.right = rightRotate(node.right);
+          return leftRotate(node);
+        }
+      }
+      // 平衡树，无需旋转，直接返回
+      return node;
+    }
+    ```
+
 ## 7.5.3. &nbsp; AVL 树常用操作
 
 ### 插入节点
@@ -1562,6 +1665,32 @@ AVL 树的特点在于「旋转 Rotation」操作，它能够在不影响二叉
     }
     ```
 
+=== "Dart"
+
+    ```dart title="avl_tree.dart"
+    /* 插入节点 */
+    void insert(int val) {
+      root = insertHelper(root, val);
+    }
+
+    /* 递归插入节点（辅助方法） */
+    TreeNode? insertHelper(TreeNode? node, int val) {
+      if (node == null) return TreeNode(val);
+      /* 1. 查找插入位置，并插入节点 */
+      if (val < node.val)
+        node.left = insertHelper(node.left, val);
+      else if (val > node.val)
+        node.right = insertHelper(node.right, val);
+      else
+        return node; // 重复节点不插入，直接返回
+      updateHeight(node); // 更新节点高度
+      /* 2. 执行旋转操作，使该子树重新恢复平衡 */
+      node = rotate(node);
+      // 返回子树的根节点
+      return node;
+    }
+    ```
+
 ### 删除节点
 
 类似地，在二叉搜索树的删除节点方法的基础上，需要从底至顶地执行旋转操作，使所有失衡节点恢复平衡。
@@ -2021,6 +2150,49 @@ AVL 树的特点在于「旋转 Rotation」操作，它能够在不影响二叉
     }
     ```
 
+=== "Dart"
+
+    ```dart title="avl_tree.dart"
+    /* 删除节点 */
+    void remove(int val) {
+      root = removeHelper(root, val);
+    }
+
+    /* 递归删除节点（辅助方法） */
+    TreeNode? removeHelper(TreeNode? node, int val) {
+      if (node == null) return null;
+      /* 1. 查找节点，并删除之 */
+      if (val < node.val)
+        node.left = removeHelper(node.left, val);
+      else if (val > node.val)
+        node.right = removeHelper(node.right, val);
+      else {
+        if (node.left == null || node.right == null) {
+          TreeNode? child = node.left ?? node.right;
+          // 子节点数量 = 0 ，直接删除 node 并返回
+          if (child == null)
+            return null;
+          // 子节点数量 = 1 ，直接删除 node
+          else
+            node = child;
+        } else {
+          // 子节点数量 = 2 ，则将中序遍历的下个节点删除，并用该节点替换当前节点
+          TreeNode? temp = node.right;
+          while (temp!.left != null) {
+            temp = temp.left;
+          }
+          node.right = removeHelper(node.right, temp.val);
+          node.val = temp.val;
+        }
+      }
+      updateHeight(node); // 更新节点高度
+      /* 2. 执行旋转操作，使该子树重新恢复平衡 */
+      node = rotate(node);
+      // 返回子树的根节点
+      return node;
+    }
+    ```
+
 ### 查找节点
 
 AVL 树的节点查找操作与二叉搜索树一致，在此不再赘述。

chapter_tree/binary_search_tree.md

@@ -265,6 +265,12 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="binary_search_tree.dart"
+    [class]{BinarySearchTree}-[func]{search}
+    ```
+
 ### 插入节点
 
 给定一个待插入元素 `num` ，为了保持二叉搜索树“左子树 < 根节点 < 右子树”的性质，插入操作分为两步：
@@ -602,6 +608,12 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="binary_search_tree.dart"
+    [class]{BinarySearchTree}-[func]{insert}
+    ```
+
 为了插入节点，我们需要利用辅助节点 `pre` 保存上一轮循环的节点，这样在遍历至 $\text{null}$ 时，我们可以获取到其父节点，从而完成节点插入操作。
 
 与查找节点相同，插入节点使用 $O(\log n)$ 时间。
@@ -1201,6 +1213,12 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="binary_search_tree.dart"
+    [class]{BinarySearchTree}-[func]{remove}
+    ```
+
 ### 排序
 
 我们知道，二叉树的中序遍历遵循“左 $\rightarrow$ 根 $\rightarrow$ 右”的遍历顺序，而二叉搜索树满足“左子节点 $<$ 根节点 $<$ 右子节点”的大小关系。因此，在二叉搜索树中进行中序遍历时，总是会优先遍历下一个最小节点，从而得出一个重要性质：**二叉搜索树的中序遍历序列是升序的**。

chapter_tree/binary_tree.md

@@ -147,6 +147,12 @@ comments: true
 
     ```
 
+=== "Dart"
+
+    ```dart title=""
+
+    ```
+
 节点的两个指针分别指向「左子节点」和「右子节点」，同时该节点被称为这两个子节点的「父节点」。当给定一个二叉树的节点时，我们将该节点的左子节点及其以下节点形成的树称为该节点的「左子树」，同理可得「右子树」。
 
 **在二叉树中，除叶节点外，其他所有节点都包含子节点和非空子树**。例如，在以下示例中，若将“节点 2”视为父节点，则其左子节点和右子节点分别是“节点 4”和“节点 5”，左子树是“节点 4 及其以下节点形成的树”，右子树是“节点 5 及其以下节点形成的树”。
@@ -337,6 +343,12 @@ comments: true
 
     ```
 
+=== "Dart"
+
+    ```dart title="binary_tree.dart"
+
+    ```
+
 **插入与删除节点**。与链表类似，通过修改指针来实现插入与删除节点。
 
 ![在二叉树中插入与删除节点](binary_tree.assets/binary_tree_add_remove.png)
@@ -455,6 +467,12 @@ comments: true
 
     ```
 
+=== "Dart"
+
+    ```dart title="binary_tree.dart"
+
+    ```
+
 !!! note
 
     需要注意的是，插入节点可能会改变二叉树的原有逻辑结构，而删除节点通常意味着删除该节点及其所有子树。因此，在二叉树中，插入与删除操作通常是由一套操作配合完成的，以实现有实际意义的操作。

chapter_tree/binary_tree_traversal.md

@@ -279,6 +279,26 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="binary_tree_bfs.dart"
+    /* 层序遍历 */
+    List<int> levelOrder(TreeNode? root) {
+      // 初始化队列，加入根节点
+      Queue<TreeNode?> queue = Queue();
+      queue.add(root);
+      // 初始化一个列表，用于保存遍历序列
+      List<int> res = [];
+      while (queue.isNotEmpty) {
+        TreeNode? node = queue.removeFirst(); // 队列出队
+        res.add(node!.val); // 保存节点值
+        if (node.left != null) queue.add(node.left); // 左子节点入队
+        if (node.right != null) queue.add(node.right); // 右子节点入队
+      }
+      return res;
+    }
+    ```
+
 ### 复杂度分析
 
 **时间复杂度**：所有节点被访问一次，使用 $O(n)$ 时间，其中 $n$ 为节点数量。
@@ -644,6 +664,37 @@ comments: true
     }
     ```
 
+=== "Dart"
+
+    ```dart title="binary_tree_dfs.dart"
+    /* 前序遍历 */
+    void preOrder(TreeNode? node) {
+      if (node == null) return;
+      // 访问优先级：根节点 -> 左子树 -> 右子树
+      list.add(node.val);
+      preOrder(node.left);
+      preOrder(node.right);
+    }
+
+    /* 中序遍历 */
+    void inOrder(TreeNode? node) {
+      if (node == null) return;
+      // 访问优先级：左子树 -> 根节点 -> 右子树
+      inOrder(node.left);
+      list.add(node.val);
+      inOrder(node.right);
+    }
+
+    /* 后序遍历 */
+    void postOrder(TreeNode? node) {
+      if (node == null) return;
+      // 访问优先级：左子树 -> 右子树 -> 根节点
+      postOrder(node.left);
+      postOrder(node.right);
+      list.add(node.val);
+    }
+    ```
+
 !!! note
 
     我们也可以仅基于循环实现前、中、后序遍历，有兴趣的同学可以自行实现。