Add Dart codes to the documents. (#529)

docs/chapter_sorting/bubble_sort.md

@@ -96,6 +96,12 @@
     [class]{}-[func]{bubbleSort}
     ```
 
+=== "Dart"
+
+    ```dart title="bubble_sort.dart"
+    [class]{}-[func]{bubbleSort}
+    ```
+
 ## 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。
@@ -162,6 +168,12 @@
     [class]{}-[func]{bubbleSortWithFlag}
     ```
 
+=== "Dart"
+
+    ```dart title="bubble_sort.dart"
+    [class]{}-[func]{bubbleSortWithFlag}
+    ```
+
 ## 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 $O(n)$ 。

docs/chapter_sorting/bucket_sort.md

@@ -74,6 +74,12 @@
     [class]{}-[func]{bucketSort}
     ```
 
+=== "Dart"
+
+    ```dart title="bucket_sort.dart"
+    [class]{}-[func]{bucketSort}
+    ```
+
 !!! 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。

docs/chapter_sorting/counting_sort.md

@@ -72,6 +72,12 @@
     [class]{}-[func]{countingSortNaive}
     ```
 
+=== "Dart"
+
+    ```dart title="counting_sort.dart"
+    [class]{}-[func]{countingSortNaive}
+    ```
+
 !!! 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。
@@ -179,6 +185,12 @@ $$
     [class]{}-[func]{countingSort}
     ```
 
+=== "Dart"
+
+    ```dart title="counting_sort.dart"
+    [class]{}-[func]{countingSort}
+    ```
+
 ## 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 $O(n)$ 。

docs/chapter_sorting/heap_sort.md

@@ -140,6 +140,14 @@
     [class]{}-[func]{heapSort}
     ```
 
+=== "Dart"
+
+    ```dart title="heap_sort.dart"
+    [class]{}-[func]{siftDown}
+
+    [class]{}-[func]{heapSort}
+    ```
+
 ## 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。

docs/chapter_sorting/insertion_sort.md

@@ -79,6 +79,12 @@
     [class]{}-[func]{insertionSort}
     ```
 
+=== "Dart"
+
+    ```dart title="insertion_sort.dart"
+    [class]{}-[func]{insertionSort}
+    ```
+
 ## 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 $O(n)$ 。

docs/chapter_sorting/merge_sort.md

@@ -131,6 +131,14 @@
     [class]{}-[func]{mergeSort}
     ```
 
+=== "Dart"
+
+    ```dart title="merge_sort.dart"
+    [class]{}-[func]{merge}
+
+    [class]{}-[func]{mergeSort}
+    ```
+
 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]` 。

docs/chapter_sorting/quick_sort.md

@@ -117,6 +117,14 @@
     [class]{QuickSort}-[func]{partition}
     ```
 
+=== "Dart"
+
+    ```dart title="quick_sort.dart"
+    [class]{QuickSort}-[func]{_swap}
+
+    [class]{QuickSort}-[func]{_partition}
+    ```
+
 ## 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；
@@ -185,6 +193,12 @@
     [class]{QuickSort}-[func]{quickSort}
     ```
 
+=== "Dart"
+
+    ```dart title="quick_sort.dart"
+    [class]{QuickSort}-[func]{quickSort}
+    ```
+
 ## 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。
@@ -289,6 +303,14 @@
     [class]{QuickSortMedian}-[func]{partition}
     ```
 
+=== "Dart"
+
+    ```dart title="quick_sort.dart"
+    [class]{QuickSortMedian}-[func]{_medianThree}
+
+    [class]{QuickSortMedian}-[func]{_partition}
+    ```
+
 ## 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。
@@ -354,3 +376,9 @@
     ```zig title="quick_sort.zig"
     [class]{QuickSortTailCall}-[func]{quickSort}
     ```
+
+=== "Dart"
+
+    ```dart title="quick_sort.dart"
+    [class]{QuickSortTailCall}-[func]{quickSort}
+    ```

docs/chapter_sorting/radix_sort.md

@@ -124,6 +124,16 @@ $$
     [class]{}-[func]{radixSort}
     ```
 
+=== "Dart"
+
+    ```dart title="radix_sort.dart"
+    [class]{}-[func]{digit}
+
+    [class]{}-[func]{countingSortDigit}
+
+    [class]{}-[func]{radixSort}
+    ```
+
 !!! 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。

docs/chapter_sorting/selection_sort.md

@@ -105,6 +105,12 @@
     [class]{}-[func]{selectionSort}
     ```
 
+=== "Dart"
+
+    ```dart title="selection_sort.dart"
+    [class]{}-[func]{selectionSort}
+    ```
+
 ## 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 $\frac{(n - 1)(n + 2)}{2}$ 。