leetCode：146. LRU 缓存
题目描述
请你设计并实现一个满足 LRU (最近最少使用) 缓存 约束的数据结构。 实现 LRUCache 类： LRUCache(int capacity) 以 正整数 作为容量 capacity 初始化 LRU 缓存 int get(int key) 如果关键字 key 存在于缓存中，则返回关键字的值，否则返回 -1 。 void put(int key, int value) 如果关键字 key 已经存在，则变更其数据值 value ；如果不存在，则向缓存中插入该组 key-value 。如果插入操作导致关键字数量超过 capacity ，则应该 逐出 最久未使用的关键字。 函数 get 和 put 必须以 O(1) 的平均时间复杂度运行。 示例： 输入 ["LRUCache", "put", "put", "get", "put", "get", "put", "get", "get", "get"] [[2], [1, 1], [2, 2], [1], [3, 3], [2], [4, 4], [1], [3], [4]] 输出 [null, null, null, 1, null, -1, null, -1, 3, 4] 解释 LRUCache lRUCache = new LRUCache(2); lRUCache.put(1, 1); // 缓存是 {1=1} lRUCache.put(2, 2); // 缓存是 {1=1, 2=2} lRUCache.get(1); // 返回 1 lRUCache.put(3, 3); // 该操作会使得关键字 2 作废，缓存是 {1=1, 3=3} lRUCache.get(2); // 返回 -1 (未找到) lRUCache.put(4, 4); // 该操作会使得关键字 1 作废，缓存是 {4=4, 3=3} lRUCache.get(1); // 返回 -1 (未找到) lRUCache.get(3); // 返回 3 lRUCache.get(4); // 返回 4 提示： 1 <= capacity <= 3000 0 <= key <= 10000 0 <= value <= 105 最多调用 2 * 105 次 get 和 put
题目解读
LRU 缓存淘汰算法就是一种常用策略。LRU 的全称是 Least Recently Used，也就是说我们认为最近使用过的数据应该是是「有用的」，很久都没用过的数据应该是无用的，内存满了就优先删那些很久没用过的数据。
题目实现
只使用HashMap实现
算法设计
要让 put 和 get 方法的时间复杂度为 O(1)，我们可以总结出 cache 这个数据结构必要的条件：
1、显然 cache 中的元素必须有时序，以区分最近使用的和久未使用的数据，当容量满了之后要删除最久未使用的那个元素腾位置。
2、我们要在 cache 中快速找某个 key 是否已存在并得到对应的 val；
3、每次访问 cache 中的某个 key，需要将这个元素变为最近使用的，也就是说 cache 要支持在任意位置快速插入和删除元素。
那么，什么数据结构同时符合上述条件呢？哈希表查找快，但是数据无固定顺序；链表有顺序之分，插入删除快，但是查找慢。所以结合一下，形成一种新的数据结构：哈希链表 LinkedHashMap。
LRU 缓存算法的核心数据结构就是哈希链表，双向链表和哈希表的结合体。这个数据结构长这样：
如果我们每次默认从链表尾部添加元素，那么显然越靠尾部的元素就是最近使用的，越靠头部的元素就是最久未使用的。
2、对于某一个 key，我们可以通过哈希表快速定位到链表中的节点，从而取得对应 val。
3、链表显然是支持在任意位置快速插入和删除的，改改指针就行。只不过传统的链表无法按照索引快速访问某一个位置的元素，而这里借助哈希表，可以通过 key 快速映射到任意一个链表节点，然后进行插入和删除。
代码实现
import java.util.*; // LRUCache 类实现了一个基于 LRU 策略的缓存 public class LRUCache { // 缓存的最大容量 private final int capacity; // 使用 HashMap 存储键值对，便于快速查找 private final Map<Integer, Node> cacheMap; // 使用 LinkedList 作为双向链表，维护元素的访问顺序 private final LinkedList<Node> lruList; // 构造函数，初始化缓存容量 public LRUCache(int capacity) { this.capacity = capacity; this.cacheMap = new HashMap<>(capacity); this.lruList = new LinkedList<>(); } // 根据键获取值，如果存在则更新访问顺序 public int get(int key) { if (cacheMap.containsKey(key)) { // 如果键存在 moveToHead(cacheMap.get(key)); // 移动节点到链表头部 return cacheMap.get(key).val; // 返回值 } return -1; // 键不存在，返回 -1 } // 插入或更新键值对，如果超过容量则淘汰最不常用的项 public void put(int key, int value) { if (cacheMap.containsKey(key)) { // 如果键已存在 moveToHead(cacheMap.get(key)); // 移动节点到链表头部 cacheMap.get(key).val = value; // 更新值 } else { // 键不存在 if (cacheMap.size() >= capacity) { // 如果缓存已满 evict(); // 淘汰最不常用的项 } Node newNode = new Node(key, value); // 创建新节点 cacheMap.put(key, newNode); // 添加到缓存映射 lruList.addFirst(newNode); // 添加到链表头部 } } // 将指定节点移到链表头部 private void moveToHead(Node node) { lruList.remove(node); // 从链表中移除节点 lruList.addFirst(node); // 将节点添加到链表头部 } // 淘汰最不常用的项 private void evict() { Node nodeToRemove = lruList.pollLast(); // 获取链表尾部的节点 cacheMap.remove(nodeToRemove.key); // 从缓存映射中移除节点 } // 内部类 Node 表示链表中的一个节点，包含键、值以及指向前后节点的引用 static class Node { int key; int val; Node next; Node prev; public Node(int key, int val) { this.key = key; this.val = val; } } }
使用LinkedHashMap实现
算法设计
LinkedHashMap内部已经使用了LinkedList
代码实现
import java.util.LinkedHashMap; //leetcode submit region begin(Prohibit modification and deletion) class LRUCache { LinkedHashMap<Integer, Integer> cache = new LinkedHashMap<>(); int capacity; public LRUCache(int capacity) { this.capacity = capacity; } public int get(int key) { //不包含 if (!cache.containsKey(key)) { return -1; } // 将 key 变为最近使用 makeRecently(key); return cache.get(key); } public void put(int key, int value) { if (cache.containsKey(key)) { makeRecently(key); } else { if (cache.size() >= capacity) { //删除头结点 cache.remove(cache.keySet().iterator().next()); } } cache.put(key, value); } /** * 将 key 移动到队尾 * * @param key */ private void makeRecently(int key) { int val = cache.get(key); // 删除 key，重新插入到队尾 cache.remove(key); cache.put(key, val); } }
继承LinkedHashMap实现(最简洁)
算法设计
LinkedHashMap.afterNodeInsertion()
void afterNodeInsertion(boolean evict) { // possibly remove eldest LinkedHashMap.Entry<K,V> first; if (evict && (first = head) != null && removeEldestEntry(first)) { K key = first.key; removeNode(hash(key), key, null, false, true); } }
afterNodeInsertion() 可能会删除老元素，但需要满足3个条件:
evict 为 true;
(first = head) != null，双向链表的头结点不能为 null，换句话说，双向链表中必须有老元素(没有老元素还删个锤锤);
removeEldestEntry(first) 方法返回为 true。
其中removeEldestEntry方法是『移除最老的元素』，默认为false，即不删除
因此，我们需要复写removeEldestEntry方法即可
代码实现
class LRUCache extends LinkedHashMap<Integer, Integer> { int capacity=0; public LRUCache(int capacity) { super(capacity, 0.75F, true); this.capacity=capacity; } public int get(int key) { return (int) super.getOrDefault(key, -1); } public void put(int key, int value) { super.put(key, value); } /** * 判断元素个数是否超过缓存容量 */ protected boolean removeEldestEntry(Map.Entry<Integer, Integer> eldest) { return size() > capacity; } }
其他
算法用途
手机管家-后台程序管理
相关
现在你应该理解 LRU（Least Recently Used）策略了。当然还有其他缓存淘汰策略，比如不要按访问的时序来淘汰，而是按访问频率（LFU 策略）来淘汰等等，各有应用场景
详见： LeetCode 160 LFU
