optimize url in hello algo

Author: DavidingPlus

面试和算法/hello-algo/chapter_appendix/contribution.md

@@ -18,7 +18,7 @@
 2. 修改 Markdown 源文件内容，检查内容的正确性，并尽量保持排版格式的统一。
 3. 在页面底部填写修改说明，然后点击“Propose file change”按钮。页面跳转后，点击“Create pull request”按钮即可发起拉取请求。
 
-![页面编辑按键](contribution.assets/edit_markdown.png)
+![页面编辑按键](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_appendix/contribution.assets/edit_markdown.png)
 
 图片无法直接修改，需要通过新建 [Issue](https://github.com/krahets/hello-algo/issues) 或评论留言来描述问题，我们会尽快重新绘制并替换图片。
 

面试和算法/hello-algo/chapter_appendix/index.md

@@ -1,3 +1,3 @@
 # 附录
 
-![附录](../assets/covers/chapter_appendix.jpg)
+![附录](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/assets/covers/chapter_appendix.jpg)

面试和算法/hello-algo/chapter_appendix/installation.md

@@ -4,11 +4,11 @@
 
 推荐使用开源、轻量的 VS Code 作为本地集成开发环境（IDE）。访问 [VS Code 官网](https://code.visualstudio.com/)，根据操作系统选择相应版本的 VS Code 进行下载和安装。
 
-![从官网下载 VS Code](installation.assets/vscode_installation.png)
+![从官网下载 VS Code](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_appendix/installation.assets//vscode_installation.png)
 
 VS Code 拥有强大的扩展包生态系统，支持大多数编程语言的运行和调试。以 Python 为例，安装“Python Extension Pack”扩展包之后，即可进行 Python 代码调试。安装步骤如下图所示。
 
-![安装 VS Code 扩展包](installation.assets/vscode_extension_installation.png)
+![安装 VS Code 扩展包](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_appendix/installation.assets//vscode_extension_installation.png)
 
 ## 安装语言环境
 

面试和算法/hello-algo/chapter_array_and_linkedlist/array.md

@@ -2,7 +2,7 @@
 
 <u>数组（array）</u>是一种线性数据结构，其将相同类型的元素存储在连续的内存空间中。我们将元素在数组中的位置称为该元素的<u>索引（index）</u>。下图展示了数组的主要概念和存储方式。
 
-![数组定义与存储方式](array.assets/array_definition.png)
+![数组定义与存储方式](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_array_and_linkedlist/array.assets/array_definition.png)
 
 ## 数组常用操作
 
@@ -142,7 +142,7 @@
 
 数组元素被存储在连续的内存空间中，这意味着计算数组元素的内存地址非常容易。给定数组内存地址（首元素内存地址）和某个元素的索引，我们可以使用下图所示的公式计算得到该元素的内存地址，从而直接访问该元素。
 
-![数组元素的内存地址计算](array.assets/array_memory_location_calculation.png)
+![数组元素的内存地址计算](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_array_and_linkedlist/array.assets/array_memory_location_calculation.png)
 
 观察上图，我们发现数组首个元素的索引为 $0$ ，这似乎有些反直觉，因为从 $1$ 开始计数会更自然。但从地址计算公式的角度看，**索引本质上是内存地址的偏移量**。首个元素的地址偏移量是 $0$ ，因此它的索引为 $0$ 是合理的。
 
@@ -156,7 +156,7 @@
 
 数组元素在内存中是“紧挨着的”，它们之间没有空间再存放任何数据。如下图所示，如果想在数组中间插入一个元素，则需要将该元素之后的所有元素都向后移动一位，之后再把元素赋值给该索引。
 
-![数组插入元素示例](array.assets/array_insert_element.png)
+![数组插入元素示例](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_array_and_linkedlist/array.assets/array_insert_element.png)
 
 值得注意的是，由于数组的长度是固定的，因此插入一个元素必定会导致数组尾部元素“丢失”。我们将这个问题的解决方案留在“列表”章节中讨论。
 
@@ -168,7 +168,7 @@
 
 同理，如下图所示，若想删除索引 $i$ 处的元素，则需要把索引 $i$ 之后的元素都向前移动一位。
 
-![数组删除元素示例](array.assets/array_remove_element.png)
+![数组删除元素示例](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_array_and_linkedlist/array.assets/array_remove_element.png)
 
 请注意，删除元素完成后，原先末尾的元素变得“无意义”了，所以我们无须特意去修改它。
 

面试和算法/hello-algo/chapter_array_and_linkedlist/index.md

@@ -1,6 +1,6 @@
 # 数组与链表
 
-![数组与链表](../assets/covers/chapter_array_and_linkedlist.jpg)
+![数组与链表](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/assets/covers/chapter_array_and_linkedlist.jpg)
 
 !!! abstract
 

面试和算法/hello-algo/chapter_array_and_linkedlist/linked_list.md

@@ -6,7 +6,7 @@
 
 链表的设计使得各个节点可以分散存储在内存各处，它们的内存地址无须连续。
 
-![链表定义与存储方式](linked_list.assets/linkedlist_definition.png)
+![链表定义与存储方式](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_array_and_linkedlist/linked_list.assets/linkedlist_definition.png)
 
 观察上图，链表的组成单位是<u>节点（node）</u>对象。每个节点都包含两项数据：节点的“值”和指向下一节点的“引用”。
 
@@ -462,7 +462,7 @@
 
 相比之下，在数组中插入元素的时间复杂度为 $O(n)$ ，在大数据量下的效率较低。
 
-![链表插入节点示例](linked_list.assets/linkedlist_insert_node.png)
+![链表插入节点示例](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_array_and_linkedlist/linked_list.assets/linkedlist_insert_node.png)
 
 ```src
 [file]{linked_list}-[class]{}-[func]{insert}
@@ -474,7 +474,7 @@
 
 请注意，尽管在删除操作完成后节点 `P` 仍然指向 `n1` ，但实际上遍历此链表已经无法访问到 `P` ，这意味着 `P` 已经不再属于该链表了。
 
-![链表删除节点](linked_list.assets/linkedlist_remove_node.png)
+![链表删除节点](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_array_and_linkedlist/linked_list.assets/linkedlist_remove_node.png)
 
 ```src
 [file]{linked_list}-[class]{}-[func]{remove}
@@ -739,7 +739,7 @@
     }
     ```
 
-![常见链表种类](linked_list.assets/linkedlist_common_types.png)
+![常见链表种类](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_array_and_linkedlist/linked_list.assets/linkedlist_common_types.png)
 
 ## 链表典型应用
 

面试和算法/hello-algo/chapter_array_and_linkedlist/ram_and_cache.md

@@ -23,7 +23,7 @@
 - **硬盘难以被内存取代**。首先，内存中的数据在断电后会丢失，因此它不适合长期存储数据；其次，内存的成本是硬盘的几十倍，这使得它难以在消费者市场普及。
 - **缓存的大容量和高速度难以兼得**。随着 L1、L2、L3 缓存的容量逐步增大，其物理尺寸会变大，与 CPU 核心之间的物理距离会变远，从而导致数据传输时间增加，元素访问延迟变高。在当前技术下，多层级的缓存结构是容量、速度和成本之间的最佳平衡点。
 
-![计算机存储系统](ram_and_cache.assets/storage_pyramid.png)
+![计算机存储系统](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_array_and_linkedlist/ram_and_cache.assets/storage_pyramid.png)
 
 !!! tip
 
@@ -33,7 +33,7 @@
 
 如下图所示，在程序运行时，数据会从硬盘中被读取到内存中，供 CPU 计算使用。缓存可以看作 CPU 的一部分，**它通过智能地从内存加载数据**，给 CPU 提供高速的数据读取，从而显著提升程序的执行效率，减少对较慢的内存的依赖。
 
-![硬盘、内存和缓存之间的数据流通](ram_and_cache.assets/computer_storage_devices.png)
+![硬盘、内存和缓存之间的数据流通](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_array_and_linkedlist/ram_and_cache.assets/computer_storage_devices.png)
 
 ## 数据结构的内存效率
 

面试和算法/hello-algo/chapter_backtracking/backtracking_algorithm.md

@@ -14,7 +14,7 @@
 [file]{preorder_traversal_i_compact}-[class]{}-[func]{pre_order}
 ```
 
-![在前序遍历中搜索节点](backtracking_algorithm.assets/preorder_find_nodes.png)
+![在前序遍历中搜索节点](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_backtracking/backtracking_algorithm.assets/preorder_find_nodes.png)
 
 ## 尝试与回退
 
@@ -39,37 +39,37 @@
 观察下图所示的过程，**我们可以将尝试和回退理解为“前进”与“撤销”**，两个操作互为逆向。
 
 === "<1>"
-    ![尝试与回退](backtracking_algorithm.assets/preorder_find_paths_step1.png)
+    ![尝试与回退](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_backtracking/backtracking_algorithm.assets/preorder_find_paths_step1.png)
 
 === "<2>"
-    ![preorder_find_paths_step2](backtracking_algorithm.assets/preorder_find_paths_step2.png)
+    ![preorder_find_paths_step2](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_backtracking/backtracking_algorithm.assets/preorder_find_paths_step2.png)
 
 === "<3>"
-    ![preorder_find_paths_step3](backtracking_algorithm.assets/preorder_find_paths_step3.png)
+    ![preorder_find_paths_step3](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_backtracking/backtracking_algorithm.assets/preorder_find_paths_step3.png)
 
 === "<4>"
-    ![preorder_find_paths_step4](backtracking_algorithm.assets/preorder_find_paths_step4.png)
+    ![preorder_find_paths_step4](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_backtracking/backtracking_algorithm.assets/preorder_find_paths_step4.png)
 
 === "<5>"
-    ![preorder_find_paths_step5](backtracking_algorithm.assets/preorder_find_paths_step5.png)
+    ![preorder_find_paths_step5](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_backtracking/backtracking_algorithm.assets/preorder_find_paths_step5.png)
 
 === "<6>"
-    ![preorder_find_paths_step6](backtracking_algorithm.assets/preorder_find_paths_step6.png)
+    ![preorder_find_paths_step6](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_backtracking/backtracking_algorithm.assets/preorder_find_paths_step6.png)
 
 === "<7>"
-    ![preorder_find_paths_step7](backtracking_algorithm.assets/preorder_find_paths_step7.png)
+    ![preorder_find_paths_step7](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_backtracking/backtracking_algorithm.assets/preorder_find_paths_step7.png)
 
 === "<8>"
-    ![preorder_find_paths_step8](backtracking_algorithm.assets/preorder_find_paths_step8.png)
+    ![preorder_find_paths_step8](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_backtracking/backtracking_algorithm.assets/preorder_find_paths_step8.png)
 
 === "<9>"
-    ![preorder_find_paths_step9](backtracking_algorithm.assets/preorder_find_paths_step9.png)
+    ![preorder_find_paths_step9](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_backtracking/backtracking_algorithm.assets/preorder_find_paths_step9.png)
 
 === "<10>"
-    ![preorder_find_paths_step10](backtracking_algorithm.assets/preorder_find_paths_step10.png)
+    ![preorder_find_paths_step10](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_backtracking/backtracking_algorithm.assets/preorder_find_paths_step10.png)
 
 === "<11>"
-    ![preorder_find_paths_step11](backtracking_algorithm.assets/preorder_find_paths_step11.png)
+    ![preorder_find_paths_step11](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_backtracking/backtracking_algorithm.assets/preorder_find_paths_step11.png)
 
 ## 剪枝
 
@@ -87,7 +87,7 @@
 
 “剪枝”是一个非常形象的名词。如下图所示，在搜索过程中，**我们“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，从而提高了搜索效率。
 
-![根据约束条件剪枝](backtracking_algorithm.assets/preorder_find_constrained_paths.png)
+![根据约束条件剪枝](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_backtracking/backtracking_algorithm.assets/preorder_find_constrained_paths.png)
 
 ## 框架代码
 
@@ -443,7 +443,7 @@
 
 根据题意，我们在找到值为 $7$ 的节点后应该继续搜索，**因此需要将记录解之后的 `return` 语句删除**。下图对比了保留或删除 `return` 语句的搜索过程。
 
-![保留与删除 return 的搜索过程对比](backtracking_algorithm.assets/backtrack_remove_return_or_not.png)
+![保留与删除 return 的搜索过程对比](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_backtracking/backtracking_algorithm.assets/backtrack_remove_return_or_not.png)
 
 相比基于前序遍历的代码实现，基于回溯算法框架的代码实现虽然显得啰唆，但通用性更好。实际上，**许多回溯问题可以在该框架下解决**。我们只需根据具体问题来定义 `state` 和 `choices` ，并实现框架中的各个方法即可。
 

面试和算法/hello-algo/chapter_backtracking/index.md

@@ -1,6 +1,6 @@
 # 回溯
 
-![回溯](../assets/covers/chapter_backtracking.jpg)
+![回溯](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/assets/covers/chapter_backtracking.jpg)
 
 !!! abstract
 

面试和算法/hello-algo/chapter_backtracking/n_queens_problem.md

@@ -6,11 +6,11 @@
 
 如下图所示，当 $n = 4$ 时，共可以找到两个解。从回溯算法的角度看，$n \times n$ 大小的棋盘共有 $n^2$ 个格子，给出了所有的选择 `choices` 。在逐个放置皇后的过程中，棋盘状态在不断地变化，每个时刻的棋盘就是状态 `state` 。
 
-![4 皇后问题的解](n_queens_problem.assets/solution_4_queens.png)
+![4 皇后问题的解](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_backtracking/n_queens_problem.assets/solution_4_queens.png)
 
 下图展示了本题的三个约束条件：**多个皇后不能在同一行、同一列、同一条对角线上**。值得注意的是，对角线分为主对角线 `\` 和次对角线 `/` 两种。
 
-![n 皇后问题的约束条件](n_queens_problem.assets/n_queens_constraints.png)
+![n 皇后问题的约束条件](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_backtracking/n_queens_problem.assets/n_queens_constraints.png)
 
 ### 逐行放置策略
 
@@ -20,7 +20,7 @@
 
 下图所示为 4 皇后问题的逐行放置过程。受画幅限制，下图仅展开了第一行的其中一个搜索分支，并且将不满足列约束和对角线约束的方案都进行了剪枝。
 
-![逐行放置策略](n_queens_problem.assets/n_queens_placing.png)
+![逐行放置策略](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_backtracking/n_queens_problem.assets/n_queens_placing.png)
 
 从本质上看，**逐行放置策略起到了剪枝的作用**，它避免了同一行出现多个皇后的所有搜索分支。
 
@@ -38,7 +38,7 @@
 
 同理，**次对角线上的所有格子的 $row + col$ 是恒定值**。我们同样也可以借助数组 `diags2` 来处理次对角线约束。
 
-![处理列约束和对角线约束](n_queens_problem.assets/n_queens_cols_diagonals.png)
+![处理列约束和对角线约束](https://gitee.com/taoweitao/hello-algo/raw/dev/docs/chapter_backtracking/n_queens_problem.assets/n_queens_cols_diagonals.png)
 
 ### 代码实现